HyperAI超神经

저자: 빈빈

편집자: 이보주, 산양

청화대학교 연구팀은 도시 커뮤니티 공간 계획을 위한 강화 학습 모델과 방법을 제안하고, 인간 계획자와 인공지능 알고리즘이 협업하는 도시 계획 프로세스를 실현하여 스마트 시티의 자동화된 계획에 대한 새로운 아이디어를 제공했습니다.

도시는 사람들의 안정적이고 풍요로운 삶에 대한 간절한 기대를 담고 있을 뿐만 아니라, 다양한 경제 활동을 뒷받침하는 중요한 기반이기도 합니다. 농업 시대부터 산업 시대를 거쳐 오늘날의 디지털 시대에 이르기까지 사람들은 도시의 편안함과 안전성을 개선하기 위해 끊임없이 노력해 왔습니다. 이 과정에서 도시 계획의 중요성이 점점 더 두드러지게 되었습니다.

최근 들어 도시를 더욱 살기 좋은 곳으로 만들려는 방향에 따라 '15분 도시'라는 개념이 더 많은 주목을 받고 있습니다. 이 계획의 핵심은 주민들이 15분 이내에 기본 서비스 시설까지 걸어가거나 자전거를 타고 갈 수 있도록 하는 것으로, 도시 지역 사회에서 효율적인 공간 배치에 대한 사람들의 기대를 반영합니다. 그러나 도시의 지리적 공간의 다양성으로 인해 도시 토지 이용 배치와 도로 계획은 매우 복잡하고 어려운 작업이며, 항상 전문 도시 계획자의 경험에 크게 의존해 왔습니다.

이를 고려하여,청화대학교 도시과학 및 컴퓨팅 연구센터와 건축학부는 여러 학문 분야와 협력하여 심층 강화 학습을 기반으로 한 도시 커뮤니티 공간 계획 방법을 혁신적으로 제안했습니다.제안된 AI 모델은 방대한 데이터로부터 도시 계획을 학습하고, 지속적으로 공간 효율성을 최적화하며, 궁극적으로 인간 전문가를 뛰어넘는 계획 수준을 달성할 수 있습니다.

MIT Senseable City Lab의 연구 과학자인 파올로 산티는 다음과 같이 말했습니다.이를 통해 인간과 AI가 협업하여 공간 배치 계획 작업을 완료할 수 있다는 것이 성공적으로 입증되었으며, 도시 과학에 대한 풍부한 연구 방향을 제공했습니다.현재 해당 연구는 Nature Computational Science에 게재되었습니다.

서류 주소:

https://www.nature.com/articles/s43588-023-00503-5

GitHub 링크:

https://github.com/tsinghua-fib-lab/DRL-urban-planning

전체 논문을 받아보시려면 WeChat 공개 계정에서 "도시 계획"이라고 답글을 남겨주세요.

수백만 개의 계획 데이터를 결합하여 3가지 핵심 개념을 제안합니다.

"15분 도시"라는 새로운 커뮤니티 계획에 부응하여 청화대학교 연구팀은 가상 도시 환경에서 수백만 개의 계획을 진행했습니다.우리는 도시 인접 그래프, 심층 강화 학습 도시 계획 모델, 그리고 인간-인공지능 협업 프레임워크를 제안합니다.

도시 인접 그래프: 다양하고 불규칙한 이웃의 과제 극복

합성곱 신경망은 Go나 칩 설계와 같이 규칙적인 입력을 받는 작업에 적합합니다. 그러나 도시 공동체는 다양하고 불규칙하며, 합성곱 신경망은 비슷한 작업에서는 큰 이점을 보여주지 못합니다. 이 문제를 극복하려면연구팀은 도시 기하학적 구조를 설명하기 위해 도시 인접 그래프를 제안했습니다.

이 중 도시의 지리적 요소는 구획, 도로, 교차로 등 노드로 사용되고, 공간적 인접 관계는 에지로 사용됩니다. 그래픽 모델을 사용하면 모든 형태의 도시 커뮤니티에 대한 통합된 표현을 제공할 수 있으며, 이를 통해 광대한 액션 공간에서 심층 강화 학습 알고리즘의 효율적인 검색 기능을 활용하고 도시 커뮤니티 토지와 도로의 지능적인 레이아웃을 달성할 수 있습니다.

심층 강화 학습 모델: 액션 공간 축소

도시 인접 그래프를 모델링함으로써 도시 공간 계획은 동적 그래프에서 이루어진 일련의 선택으로 재구성되며, 그래프 공간에서 모서리와 노드를 선택하는 각 단계는 그래프가 그에 따라 진화하도록 이끕니다. 또 다른 큰 과제는 방대한 액션 공간입니다. 중간 규모 커뮤니티의 행동 공간은 4000의 100제곱을 초과할 수 있습니다(단계별로 가능한 행동이 4000개이고, 커뮤니티 공간 계획을 위한 총 단계는 100개임). 이로 인해 모델링 프로세스가 복잡하고 노동 집약적이 됩니다.

연구자들은 행동 공간을 줄이기 위해 두 가지 전략과 가치 네트워크를 구축했습니다.정책 네트워크는 AI 에이전트가 토지와 도로의 위치를 선택하는 데 도움을 주고, 가치 네트워크는 "15분 도시" 개념에 기반한 공간 계획의 질을 예측하는 데 사용됩니다. 정책 네트워크에서 샘플링을 수행하고 가치 네트워크를 사용하여 계획 품질을 추정하면 작업 공간이 크게 줄어듭니다.

(a) 그래프 신경망 상태 인코더

(b) 토지 이용 전략 네트워크

(d) 도로 배치 전략 네트워크

(e) 지역 계획 지도에 대한 마르코프 의사결정 과정의 개략도

도시 지리적 요소의 효과적인 표현을 얻기 위해서는연구원들은 그래프 신경망(GNN)을 기반으로 한 상태 인코더를 추가로 개발했습니다.가치 네트워크와 정책 네트워크 간에 공유되는 , 도시 연속성 그래프에서 메시지 전달과 이웃 집계를 활용하여 토지, 도로 구간, 교차로 간의 공간적 관계를 파악합니다.

인간-인공지능 협업: 3,000배 더 빠름

도시 계획 방법의 복잡성을 고려하면,연구팀은 AI와 인간 기획자가 협업할 수 있는 워크플로를 제안했습니다.인간 기획자가 컨셉트 프로토타입 제작에 집중하고, 모델을 사용하여 힘들고 시간이 많이 걸리는 기획 작업을 수행하는 방식입니다.

이 워크플로는 전적으로 인간이 완료한 워크플로보다 객관적인 계획 지표와 100명의 전문 기획자를 대상으로 실시한 주관적 블라인드 테스트에서 모두 우수한 성과를 보였으며, 시간 효율성도 3,000배 더 높습니다. 이는 인간 기획자가 AI와 인간 간의 협업 워크플로로부터 이익을 얻을 수 있음을 보여줍니다. 인간 기획자와 인공지능 간의 협업 워크플로를 설계함으로써 인간 기획자의 업무 효율성을 크게 개선하고, 다양한 스타일의 커뮤니티 계획 계획을 효율적으로 생성할 수 있습니다.

새로운 방법이 8명의 인간 기획자를 이긴다

실험 결과, 이 연구 방법을 기반으로 한 커뮤니티 계획 방안은 "15분 도시"의 다양한 지표를 크게 개선할 수 있는 것으로 나타났습니다.동일한 초기 조건과 계획 제약 하에서, 우리의 방법은 최첨단 알고리즘과 인간 계획자보다 상당히 우수한 성과를 보이며, 공간 효율성의 객관적 측정 기준을 48.6% 이상 향상시켰습니다.

특히 기존의 실제 커뮤니티를 초기 조건으로 사용하는 경우,이 모델을 사용하면 주민들이 다양한 시설에 쉽게 접근할 수 있는 토지 이용 전환 계획을 18.5% 이상 크게 개선할 수 있습니다.

제안된 모델 계획 방식과 기존 알고리즘의 성능 비교
(ae) 다양한 알고리즘의 계획 계획

(a) 중앙집중형 휴리스틱 방법 (b) 분산형 휴리스틱 방법 (c) 유전 알고리즘 (d) 다층 퍼셉트론 강화학습 알고리즘 (e) 본 연구에서 제안하는 방법 (fg) 15분 도시 성과 지표 비교: f 서비스 지표, g 생태 지표

8명의 전문 인간 기획자와 연구팀이 제안한 방법
2개의 커뮤니티 공간 계획 설계 및 해당 공간 성능

(아) 인간 기획자에 의해 생성된 공간 계획.
(i) 제안된 방법을 통해 생성된 공간 평면도.
(j) 두 가지의 서비스 및 생태 효율성 성과 비교.
(k) 두 가지 설계 간 5가지 기본 주거 요구 사항에 대한 서비스 접근성 비교.

연구팀이 제안한 방법은 서비스와 생태 지표 측면에서 8명의 전문적인 인간 기획자보다 우수한 것으로 나타났습니다.. 구체적으로, 제안된 방법은 최상의 플래너 성능과 평균 플래너 성능에 비해 각각 13.64%와 19.52%만큼 서비스 효율성을 향상시킵니다. 생태학적 지표 측면에서 효율성은 각각 15.38%와 59.65%만큼 향상되었습니다.

또한, 5가지 기본 주거 수요 서비스(교육, 의료, 쇼핑, 직장, 오락)에 대한 접근성 측면에서도 연구팀이 제안한 방법은 여전히 더 균형 잡힌 성과를 거두었으며, 모든 인간 기획자와 비교했을 때 3/5가 가장 높은 순위를 기록했습니다.

인간-기계 통합: 도시 계획의 미래

한편, 도시 계획은 인구, 조직, 환경, 기술을 포함하는 복잡한 생태계를 다루어야 합니다. 반면, 기술 적용의 하류에 위치하며, 업계의 디지털 업그레이드가 늦게 시작되었습니다.

최근 몇 년 동안 AI의 발전은 도시 계획자들에게 새로운 기회를 가져왔습니다. AI 알고리즘과 데이터 분석 기술을 사용하면 계획자는 현대 도시를 구성하는 복잡한 시스템을 더 깊이 이해하여 도시 계획 문제에 대해 더욱 정보에 입각한 결정을 내릴 수 있습니다. 그러나 도시 계획은 단순히 토지 이용과 도로 위치만 선택하면 되는 게임이 아니라 여러 이해관계자 간의 복잡한 상호작용이 필요한 것이라는 점을 기억해야 합니다.

현재 도시 계획에 사용되는 AI 모델은 주로 정적 지표에 따라 진행됩니다. 높은 공간 효율성의 커뮤니티 계획을 수립할 수 있지만, 도시 전체를 계획하는 것은 경제 성장과 주민 건강을 포함한 다양한 목표를 고려해야 하는 훨씬 복잡한 작업입니다. 또한 토지 소유권, 공공 접근성, 도시 분리 및 재개발과 같은 문제도 모두 주의가 필요합니다.