Tổng quan về phương pháp khôi phục thưa thớt sử dụng mô hình Senseiver. a, Quá trình làm việc của các đổi mới Senseiver cho vấn đề cảm biến thưa thớt. Chúng tôi sử dụng giá trị cảm biến và vị trí truy vấn chính xác thưa thớt trong lĩnh vực và cho phép hiệu suất tính toán cao hơn. Giá trị cảm biến được xử lý bởi bộ mã hóa, và biểu diễn tiềm ẩn kết quả được chuyển qua thông tin truy vấn đến bộ giải mã, giúp ước lượng lĩnh vực tại một vị trí mới. Trong ví dụ này, kết quả được giải mã thành lưới có cấu trúc. b, Tổng quan về các ứng dụng trong công tác này. Credit: Nature Machine Intelligence (2023). DOI: 10.1038/s42256-023-00746-x
Một phương pháp đột phá trong trí tuệ nhân tạo (AI) cho phép khôi phục một lĩnh vực rộng lớn của dữ liệu, chẳng hạn như nhiệt độ đại dương tổng thể, từ một số lượng nhỏ cảm biến được triển khai trên bãi cánh đồng sử dụng tính toán "edge" công suất thấp, với các ứng dụng rộng khắp trong ngành công nghiệp, khoa học và y học.
"Chúng tôi đã phát triển một mạng thần kinh cho phép chúng tôi biểu diễn một hệ thống lớn một cách rất ngắn gọn," Javier Santos, một nhà nghiên cứu tại Trung tâm Nghiên cứu Quốc gia Los Alamos, đóng vai trò là tác giả chính cho biết. Ông áp dụng khoa học tính toán vào các vấn đề địa vật lý.
"Sự ngắn gọn đó có nghĩa là nó yêu cầu ít tài nguyên tính toán so với kiến trúc mạng thần kinh tích chập tiên tiến nhất, làm cho nó phù hợp với triển khai trên máy bay không người lái, mảng cảm biến và các ứng dụng tính toán edge khác đặt tính toán gần hơn với việc sử dụng cuối cùng của nó."
Phương pháp AI đột phá nâng cao hiệu suất tính toán
Santos là tác giả chủ đạo của một bài báo được công bố bởi một nhóm các nhà nghiên cứu tại Trung tâm Nghiên cứu Quốc gia Los Alamos trên kỹ thuật AI đột phá mới, mà họ gọi là Senseiver. Công việc này xây dựng trên một mô hình AI được gọi là Perceiver IO do Google phát triển, áp dụng các kỹ thuật của các mô hình ngôn ngữ tự nhiên như ChatGPT vào vấn đề khôi phục thông tin về một lĩnh vực rộng lớn - như đại dương - từ một số liệu đo tương đối ít.
Nhóm nhận ra mô hình này sẽ có ứng dụng rộng rãi vì tính hiệu quả của nó. "Sử dụng ít tham số và bộ nhớ hơn đòi hỏi ít chu kỳ của đơn vị xử lý trung tâm trên máy tính, do đó chạy nhanh hơn trên các máy tính nhỏ hơn," ông Dan O'Malley, một đồng tác giả của bài báo và nhà nghiên cứu tại Los Alamos, người áp dụng học máy vào các vấn đề địa khoa học cho biết.
Lần đầu tiên trong văn học xuất bản, Santos và các đồng nghiệp Los Alamos của ông đã xác minh tính hiệu quả của mô hình bằng cách chứng minh nó trên các tập dữ liệu thưa thớt thực tế - có nghĩa là thông tin được lấy từ các cảm biến chỉ chiếm một phần nhỏ của lĩnh vực quan tâm - và trên các tập dữ liệu phức tạp ba chiều về chất lỏng.
Trong một minh họa về tính hữu dụng thực tế của Senseiver, nhóm đã áp dụng mô hình này vào bộ dữ liệu nhiệt độ mặt biển của Cục Hàng hải và Khí tượng Quốc gia. Mô hình đã tích hợp nhiều đo lường được thực hiện trong nhiều thập kỷ từ vệ tinh và cảm biến trên tàu. Từ những đo lường điểm thưa thớt này, mô hình dự báo nhiệt độ trên toàn bộ vùng biển, cung cấp thông tin hữu ích cho các mô hình khí hậu toàn cầu.
Mang AI đến drone và mạng cảm biến
Senseiver rất phù hợp cho nhiều dự án và lĩnh vực nghiên cứu mà Los Alamos quan tâm.
Los Alamos có khả năng cảm biến từ xa đa dạng, nhưng không dễ sử dụng trí tuệ nhân tạo vì mô hình quá lớn và không phù hợp với các thiết bị trên thực địa, điều này dẫn chúng ta tới edge computing," - Hari Viswanathan, Cố vấn Ban Chủ nhiệm Los Alamos, nhà môi trường học và cộng tác viên của bài báo về Senseiver cho biết. "Công việc của chúng tôi mang lại những lợi ích của trí tuệ nhân tạo cho máy bay không người lái, mạng lưới cảm biến trên thực địa và các ứng dụng khác hiện đang vượt qua khả năng của công nghệ trí tuệ nhân tạo tiên tiến."
Mô hình trí tuệ nhân tạo sẽ đặc biệt hữu ích trong công việc của Viện xác định và đặc trưng các giếng bị bỏ hoang. Viện dẫn đầu Dự án Đồng hành Quyền công nghệ Đánh giá Vọt dầu & Khí (CATALOG), một chương trình liên bang có nhiệm vụ tìm và xác định các giếng bị bỏ hoang không được ghi nhận và đo lượng khí methane từ chúng. Viswanathan là nhà khoa học chủ chốt của CATALOG.
Phương pháp này mang lại khả năng cải thiện cho các ứng dụng lớn, thực tiễn như xe tự lái, mô hình từ xa của tài sản trong ngành dầu và khí, giám sát y tế bệnh nhân, chơi game đám mây, phân phối nội dung và theo dõi chất gây ô nhiễm.
Thông tin thêm: Javier E. Santos et al, Phát triển Senseiver cho tái tạo hiệu quả từ quan sát thưa thớt trên thực địa, Nature Machine Intelligence (2023). DOI: 10.1038/s42256-023-00746-x
Thông tin tạp chí: Nature Machine Intelligence
