Agentic AI-Enabled Framework for Thermal Comfort and Building Energy Assessment in Tropical Urban Neighborhoods

シンガポールの都市熱島現象や建物エネルギー需要への対応として、大規模言語モデル（LLM）と軽量な物理モデルを統合し、自律的な推論と迅速な定量的評価を可能にする新しい AI フレームワークを提案し、熱環境改善とエネルギー削減を両立する都市設計戦略の探索を実現しています。

要約

熱いシンガポールの街を「AI 助手」が涼しくする：新しい研究の解説

シンガポールのような熱帯の都市では、建物が密集しているせいで「ヒートアイランド現象」が起き、外は蒸し暑く、室内のエアコンはフル稼働で電気代がかさんでしまいます。

この論文は、そんな都市の「暑さ」と「エネルギー消費」を、AI 助手（エージェント）が自動で診断し、解決策を提案する新しい仕組みを紹介しています。

まるで、**「都市の気象予報士」兼「建築の名医」**が、AI として働いているようなイメージです。

---

1. このシステムはどう動くの？（3 つの役割）

このシステムは、大きく分けて 3 つのパートが連携して動いています。

① 「司令塔」の AI（LLM）

これが一番の頭脳です。ユーザーが「この街の暑さのひどい場所はどこ？」「緑の壁を作ったらどうなる？」と普通の言葉（自然言語）で質問すると、AI がそれを理解します。

• 例え話: 料理の注文をする客室係のようなものです。「スパイシーなカレーが食べたい」と言うと、AI は「じゃあ、辛味成分の計算モデルと、野菜の調理シミュレーションを起動しよう」と、必要な道具を自動で選び出します。

② 「計算機」の物理モデル

AI が選んだ道具は、複雑な数式で動く「簡易版の物理シミュレーター」です。

• 何をする？: 風がどう吹くか、太陽光がどう反射するか、建物の表面がどれくらい熱くなるかを、超高速で計算します。
• 例え話: 本物の風洞実験や、何日もかかる天気予報シミュレーションを、「スライドショー」のようにサクサクと短時間で済ませる軽快な計算機です。

③ 「報告書」の作成

計算が終わると、AI は結果をまとめて、人間が読めるレポートにします。

• 例え話: 医師が検査結果（数値）を見て、「あなたの心臓はここが弱いです。だから、この薬（緑の壁）を勧めます」と、具体的なアドバイスをくれるようなものです。

---

2. 具体的に何ができるの？（2 つの実験）

研究者たちは、このシステムを使って 2 つのテストを行いました。

テスト 1：「街の診断」

「3 月〜5 月の雨季の時期に、この街で最も暑くて、エアコンの電気代がかかっている場所はどこ？」と聞きました。

• 結果: AI は自動的に「この広場は風が通らず、太陽が直射しているから、歩行者の体感温度（PET）が 52℃を超えている！」と特定しました。また、「この高層ビルは壁が熱くなりすぎて、冷房負荷が異常に高い」と、建物の ID を付けてピンポイントで指摘しました。
• すごい点: 人間が手動でデータを集める必要がなく、AI が「どこを見るべきか」を自分で判断して診断しました。

テスト 2：「解決策の試行錯誤」と「意外な落とし穴」

次に、「建物の屋根や壁を、太陽光を反射する『クールな塗料』にしたらどうなる？」と提案しました。

• 予想: 建物の温度が下がり、冷房費も減るはず。
• 実際の結果:
  • 建物の冷房費: 確かに減りました（約 10% 削減）。
  • 歩行者の暑さ: 逆に、少し暑くなりました！
• なぜ？（アルベドのペナルティ）:
  • 地面や壁が白く光ると、太陽の光を反射します。建物の温度は下がりますが、反射した光が歩行者の体に当たり、体感温度を上げてしまったのです。
  • 例え話: 鏡をたくさん貼った部屋に入ると、部屋自体は涼しくても、鏡に反射した光で目が眩み、暑く感じるのと同じです。

AI の賢い判断:
このシステムは、この「矛盾」を自分で見つけ出し、「屋根には白い塗料を使うが、歩行者の多い広場の地面には、反射しすぎる塗料は使わないほうがいい」というバランスの取れた提案を自動で修正しました。

---

3. なぜこれが重要なの？

• 専門家がいなくてもできる: これまでは、気象学者や建築エンジニアが何時間もかけてシミュレーションを設定する必要がありました。でも、このシステムなら「この街を涼しくして」と一言言うだけで、専門的な分析レポートがすぐに作れます。
• 透明性がある: AI が「なぜそう判断したか」の過程（どのデータを使ったか、どんな計算をしたか）をすべて記録するので、人間が確認・検証できます。
• 未来の都市計画: 熱帯の都市で、どうすれば「建物は涼しく、人々は快適で、電気代も安い」街を作れるか、その答えを見つけるための強力なツールになります。

まとめ

この研究は、**「AI が都市の『熱』と『エネルギー』のバランスを、まるで名医のように診断し、最適な治療法（設計変更）を提案する」**という新しい未来を示しています。

複雑な数式やシミュレーションの裏側には、私たちが毎日感じる「暑さ」や「電気代」という、とても身近な問題への解決策が隠されているのです。

技術概要

この論文は、シンガポールなどの熱帯都市における「都市熱島現象」と「建物エネルギー需要」の課題に対し、大規模言語モデル（LLM）と軽量な物理ベースモデルを統合した自律的 AI エージェントフレームワークを提案するものです。以下に、問題定義、手法、主要な貢献、結果、および意義について詳細な技術的サマリーを記述します。

1. 問題定義 (Problem)

熱帯の高密度都市（特にシンガポール）では、屋外の不快な熱環境と屋内の高い冷却需要が深刻な課題となっています。都市計画者にとって重要な問い（歩行者の熱ストレス・ホットスポットの特定、冷却負荷を高める建物の特定、地域規模での最適な表面戦略の選定など）に答えるためには、都市気候モデルと建物エネルギーモデルを連携させる必要があります。
しかし、従来のアプローチには以下の課題がありました：

• 作業の煩雑さ: 複数のツール、多数のパラメータ、時間のかかるモデル準備が必要。
• 専門知識の壁: CFD（数値流体力学）やエネルギーシミュレーションの専門家が手動でワークフローを構築・実行する必要がある。
• 迅速な比較の困難さ: 地域規模での気候耐性のある表面戦略（緑化ファサードやクールペイントなど）の効果を迅速に比較・評価することが難しい。

2. 手法 (Methodology)

本研究は、LangGraph 型の状態機械として実装された自律的 AI エージェントを中核としたフレームワークを提案しています。このシステムは、ユーザーの自然言語による指示（意図）を受け取り、物理シミュレーションを自動実行し、分析レポートを生成するまでを完結させます。

主要な構成要素とワークフロー

1. 意図分析とパラメータ管理 (Intent Analysis & Governance):

   • LLM（GPT-5.1 など）がユーザーのクエリを解析し、必要な入力（幾何学形状、気象データなど）とツールを提案します。
   • パラメータの階層化管理: 物理シミュレーションの境界条件は、LLM の提案に依存せず、厳格な優先順位で決定されます。
     1. ユーザーの明示的な上書き（最優先）
     2. LLM の提案（必要な場合のみ）
     3. 実時間気象データ（例：シンガポールの NEA）
     4. 気候データベース（IWEC 形式など）
     5. 設定ファイルのデフォルト値
   • これにより、科学的な再現性とトレーサビリティが保証されます。

2. 幾何学分析エージェント (Geometry Analysis Agent):

   • STL ファイル形式の都市幾何学データを読み込み、メッシュのクリーニング、統合、建物の ID 付与、および平面図のインデックスマップ生成を行います。これにより、シミュレーション結果の「ホットスポット」を特定の建物に紐付けることができます。

3. ソルバーオーケストレーション (Solver Orchestration):

   • 軽量物理モデルの統合: 従来の高負荷なシミュレーションに代わり、以下の軽量モデルを連携させます。
     • CFD モデル: 2 次元ポテンシャル流れモデルを複数の垂直スライスで実行し、3 次元の風速分布を近似（擬似 3D 手法）。
     • 放射熱伝達モデル: 表面エネルギー収支方程式に基づき、表面温度と平均放射温度（MRT）を計算。
     • 熱快適性・エネルギー評価: 生理的等価温度（PET）の算出と、1 次元伝導伝達関数（CTF）モデルを用いた建物冷却負荷（EUI）の推定。

4. 閉ループ・介入とレポート生成:

   • ベースラインシミュレーションの実行後、エージェントは熱負荷の高い建物を特定し、表面材料（アルベドや放射率）の変更を提案します。
   • 変更後のシミュレーションを再実行し、改善度（デルタメトリクス）を比較します。
   • 最終的に、数値データと物理的根拠に基づいた具体的な設計推奨事項（日陰の設置、材料の選定など）を含むレポートを生成します。

3. 主要な貢献 (Key Contributions)

• エンドツーエンドの監査可能なワークフロー: 意図→幾何学→シミュレーション→指標→レポートという一連のプロセスを、プロンプトと出力の完全なログ記録（トレーサビリティ）と共に自動化しました。
• LLM と物理モデルの適切な役割分担: LLM は「意図の解釈」と「レポート生成」を担当し、物理的な境界条件は信頼性の高いデータソース（気象データベース等）によって厳格に制御されます。これにより、LLM のハルシネーションを防止しつつ、自律性を維持しています。
• 軽量かつ高速な評価: 従来のフルスケール CFD や EnergyPlus に比べ計算コストを削減しつつ、微気候変数（表面温度、風速、PET）と建物エネルギー需要を同時に評価可能にしました。

4. 結果と分析 (Results and Analysis)

シンガポールの高密度地区（District A, B）を対象とした 2 つのシナリオで検証を行いました。

• シナリオ 1：自律的ベースライン監査

  • 自然言語の指示（「雨季間の気候条件で、熱ストレス・エネルギー需要を評価せよ」）のみから、エージェントが自動的に気象条件（4 月 20 日など）とシミュレーション設定を決定しました。
  • 結果、特定の広場（建物の b025-b057 付近など）で PET が 52°C 以上になる熱ストレス・ホットスポットを特定し、高層ビル群の冷却負荷の偏りを正確に検出しました。
  • 物理的な原因（日射量と風速の組み合わせ）に基づいた具体的な対策（日陰の設置など）を提案しました。

• シナリオ 2：閉ループ材料介入と「アルベド・ペナルティ」の発見

  • エージェントは、冷却負荷削減のために屋根や壁のアルベド（反射率）を高める戦略を提案・実行しました。
  • 結果の二面性:
    • 建物エネルギー: 外皮の熱取得が減少し、冷却負荷は約 9〜11% 削減されました。
    • 屋外快適性: 歩行者レベルの PET は逆に約 1°C 上昇しました。これは、明るい地面からの短波放射（反射日射）が増加し、歩行者への放射熱負荷が増大したためです（アルベド・ペナルティ）。
  • 自律的修正: エージェントはこの非線形なトレードオフを認識し、最終レポートで「屋根には高アルベド素材を推奨するが、日当たりの良い広場の舗装には高反射素材を避ける」という、状況に応じた洗練された戦略へ修正しました。

5. 意義と将来展望 (Significance and Future Work)

• 学際的な設計支援: 都市計画者や建築家が専門的なシミュレーション知識を持たなくても、気候耐性のある都市設計を迅速に検討・比較できるツールを提供します。
• 科学的厳密性と対話性の両立: 物理法則に基づいた決定論的な計算と、自然言語による柔軟な対話を両立させたアーキテクチャは、持続可能な都市設計の新たなパラダイムを示しています。
• 将来の拡張: 大規模な幾何学データへのスケーラビリティ向上、規制基準（KPI）との自動整合チェック、リアルタイムの可視化ダッシュボードの導入などが計画されています。

この研究は、生成 AI を単なるチャットボットではなく、物理シミュレーションを制御・統合する「自律的オーケストレーター」として活用する可能性を実証し、熱帯都市における気候適応計画の効率化と高度化に寄与するものです。