Uma inovação no uso de modelos de linguagem natural traz inteligência artificial para sensores implantáveis em campo, incluindo drones. O Laboratório Nacional de Los Alamos está explorando a tecnologia de IA para localizar e caracterizar poços órfãos de petróleo e gás que emitem metano que causa aquecimento climático. Crédito: Laboratório Nacional de Los Alamos
Um novo método que emprega modelos de linguagem natural está expandindo as aplicações de IA na computação de ponta.
Uma técnica avançada de inteligência artificial (IA) permite a reconstrução de extensos conjuntos de dados, como a temperatura total do oceano, utilizando um número mínimo de sensores colocados no campo. Este método utiliza computação “edge” com eficiência energética, oferecendo amplos usos potenciais em vários setores, incluindo indústria, pesquisa científica e saúde.
“Desenvolvemos uma rede neural que nos permite representar um grande sistema de uma forma muito compacta”, disse Javier Santos, pesquisador do Laboratório Nacional de Los Alamos que aplica ciência computacional a problemas geofísicos. “Essa compacidade significa que requer menos recursos de computação em comparação com arquiteturas de redes neurais convolucionais de última geração, tornando-a adequada para implantação em campo em drones, matrizes de sensores e outras aplicações de computação de ponta que colocam a computação mais perto do seu fim. usar.”
A nova abordagem de IA aumenta a eficiência da computação
Santos é o primeiro autor de um artigo publicado por uma equipe de pesquisadores de Los Alamos em Inteligência da Máquina da Natureza na nova técnica de IA, que eles apelidaram de Senseiver. O trabalho, que se baseia em um modelo de IA chamado Perceiver IO desenvolvido pelo Google, aplica as técnicas de modelos de linguagem natural, como o ChatGPT, ao problema de reconstruir informações sobre uma área ampla – como o oceano – a partir de relativamente poucas medições.
A equipe percebeu que o modelo teria ampla aplicação devido à sua eficiência. “Usar menos parâmetros e menos memória requer menos ciclos da unidade central de processamento no computador, por isso ele roda mais rápido em computadores menores”, disse Dan O’Malley, co-autor do artigo e pesquisador de Los Alamos que aplica aprendizado de máquina para problemas de geociências.
Pela primeira vez na literatura publicada, Santos e seus colegas de Los Alamos validaram o modelo demonstrando sua eficácia em conjuntos de dados esparsos do mundo real – ou seja, informações retiradas de sensores que cobrem apenas uma pequena porção do campo de interesse – e em dados complexos. conjuntos de dados de fluidos tridimensionais.
Numa demonstração da utilidade do Senseiver no mundo real, a equipe aplicou o modelo a um conjunto de dados de temperatura da superfície do mar da Administração Oceânica e Atmosférica Nacional. O modelo foi capaz de integrar uma infinidade de medições feitas ao longo de décadas por satélites e sensores em navios. A partir destas medições pontuais esparsas, o modelo prevê temperaturas em todo o corpo do oceano, o que fornece informações úteis para modelos climáticos globais.
Trazendo IA para drones e redes de sensores
O Senseiver é adequado para uma variedade de projetos e áreas de pesquisa de interesse para Los Alamos.
“Los Alamos tem uma ampla gama de capacidades de sensoriamento remoto, mas não é fácil usar IA porque os modelos são muito grandes e não cabem em dispositivos no campo, o que nos leva à computação de ponta”, disse Hari Viswanathan, Los Alamos National. Laboratory Fellow, cientista ambiental e coautor do artigo sobre o Senseiver. “Nosso trabalho traz os benefícios da IA para drones, redes de sensores baseados em campo e outras aplicações que atualmente estão fora do alcance da tecnologia de IA de ponta.”
O modelo de IA será particularmente útil no trabalho do Laboratório de identificação e caracterização de poços órfãos. O Laboratório lidera o Consórcio de Avanço de Tecnologia para Avaliação de Poços Perdidos de Petróleo e Gás (CATALOG), financiado pelo Departamento de Energia, um programa federal encarregado de localizar e caracterizar poços órfãos não documentados e medir suas emissões de metano. Viswanathan é o cientista-chefe do CATALOG.
A abordagem oferece recursos aprimorados para aplicações práticas e grandes, como carros autônomos, modelagem remota de ativos em petróleo e gás, monitoramento médico de pacientes, jogos em nuvem, entrega de conteúdo e rastreamento de contaminantes.
Referência: “Desenvolvimento do Senseiver para reconstrução de campo eficiente a partir de observações esparsas” por Javier E. Santos, Zachary R. Fox, Arvind Mohan, Daniel O’Malley, Hari Viswanathan e Nicholas Lubbers, 6 de novembro de 2023, Inteligência da Máquina da Natureza.
DOI: 10.1038/s42256-023-00746-x
Este trabalho foi financiado pelo programa de Pesquisa e Desenvolvimento Dirigido por Laboratório do Laboratório Nacional de Los Alamos; o Departamento de Energia, Escritório de Ciência, Escritório de Ciências Básicas de Energia, Pesquisa em Geociências; e o DOE Office of Science, Ciências Básicas de Energia, Energia Fóssil e Gestão de Carbono, programa Undocumented Orphan Wells.
