Mengubah Data Sensor Jarang Menjadi Emas

Metode baru yang menggunakan model bahasa alami memperluas aplikasi AI dalam komputasi edge.

Teknik kecerdasan buatan (AI) yang canggih memungkinkan rekonstruksi kumpulan data besar, seperti suhu total lautan, menggunakan sejumlah kecil sensor yang ditempatkan di darat. Metode ini memanfaatkan komputasi “edge” yang hemat energi, sehingga menawarkan potensi penggunaan yang luas di berbagai sektor termasuk industri, penelitian ilmiah, dan layanan kesehatan.

“Kami mengembangkan jaringan saraf yang memungkinkan kami merepresentasikan sistem besar dengan cara yang sangat kompak,” kata Javier Santos, peneliti Laboratorium Nasional Los Alamos yang menerapkan ilmu komputasi pada masalah geofisika. “Kekompakan ini berarti memerlukan lebih sedikit sumber daya komputasi dibandingkan arsitektur jaringan saraf konvolusional yang canggih, sehingga cocok untuk penerapan di lapangan pada drone, susunan sensor, dan aplikasi komputasi edge lainnya yang membawa komputasi lebih dekat ke tujuan utamanya. menggunakan.”

Pendekatan AI baru meningkatkan efisiensi komputasi

Santos adalah penulis pertama makalah yang diterbitkan oleh tim peneliti Los Alamos di Kecerdasan Mesin Alami pada teknik AI baru, yang mereka juluki Senseiver. Karya tersebut, yang didasarkan pada model AI yang disebut Perceiver IO yang dikembangkan oleh Google, menerapkan teknik pemodelan bahasa alami seperti ChatGPT untuk masalah rekonstruksi informasi tentang area yang luas – seperti lautan – dari pengukuran yang relatif sedikit.

Tim menyadari bahwa model ini akan memiliki penerapan yang luas karena efisiensinya. “Menggunakan lebih sedikit parameter dan lebih sedikit memori memerlukan lebih sedikit siklus unit pemrosesan pusat pada komputer, sehingga berjalan lebih cepat pada komputer yang lebih kecil,” kata Dan O'Malley, salah satu penulis makalah dan peneliti Los Alamos yang menerapkan pembelajaran mesin untuk masalah geosains.

Dalam literatur pertama yang diterbitkan, Santos dan rekan-rekannya di Los Alamos memvalidasi model tersebut dengan menunjukkan keefektifannya pada kumpulan data dunia nyata yang jarang — artinya informasi yang ditangkap dari sensor yang hanya mencakup sebagian kecil dari area yang diminati — dan pada bidang yang kompleks. . kumpulan data fluida tiga dimensi.

Dalam demonstrasi nyata kegunaan Senseiver, tim menerapkan model tersebut pada kumpulan data suhu permukaan laut milik National Oceanic and Atmospheric Administration. Model ini mampu mengintegrasikan banyak pengukuran yang diambil selama beberapa dekade dari satelit dan sensor di kapal. Dari pengukuran titik-titik yang jarang ini, model tersebut memperkirakan suhu di seluruh lautan, sehingga memberikan informasi yang berguna untuk model iklim global.

Membawa AI ke drone dan jaringan sensor

Senseiver sangat cocok untuk berbagai proyek dan bidang penelitian yang diminati Los Alamos.

“Los Alamos memiliki beragam kemampuan penginderaan jarak jauh, namun tidak mudah menggunakan AI karena modelnya terlalu besar dan tidak sesuai dengan perangkat di lapangan, sehingga mengarahkan kita ke komputasi edge,” kata Hari Viswanathan, Laboratorium Nasional Los Alamos Rekan, ilmuwan lingkungan dan rekan penulis makalah tentang Senseiver. “Pekerjaan kami membawa manfaat AI pada drone, jaringan sensor berbasis lapangan, dan aplikasi lain yang saat ini berada di luar jangkauan teknologi AI tercanggih.”

Model AI akan sangat berguna dalam pekerjaan Lab dalam mengidentifikasi dan mengkarakterisasi sumur yatim piatu. Laboratorium tersebut memimpin Konsorsium Teknologi Pemajuan untuk Penilaian Sumur Minyak & Gas yang Hilang (CATALOG) yang didanai oleh Departemen Energi, sebuah program federal yang bertugas menemukan dan mengkarakterisasi sumur yatim piatu yang tidak berdokumen dan mengukur emisi metana di dalamnya. Viswanathan adalah ilmuwan utama KATALOG.

Pendekatan ini menawarkan peningkatan kemampuan untuk aplikasi besar dan praktis seperti mobil self-driving, pemodelan aset minyak dan gas jarak jauh, pemantauan medis pasien, cloud gaming, pengiriman konten, dan pelacakan kontaminan.

Referensi: “Pengembangan Senseiver untuk rekonstruksi lapangan yang efisien dari pengamatan yang jarang” oleh Javier E. Santos, Zachary R. Fox, Arvind Mohan, Daniel O'Malley, Hari Viswanathan dan Nicholas Lubbers, 6 November 2023, Kecerdasan Mesin Alami.
DOI: 10.1038/s42256-023-00746-x

Pekerjaan ini didanai oleh program Penelitian dan Pengembangan yang Diarahkan Laboratorium di Laboratorium Nasional Los Alamos; Departemen Energi, Departemen Ilmu Pengetahuan, Departemen Ilmu Energi Dasar, Penelitian Geosains; dan Kantor Ilmu Pengetahuan DOE, Ilmu Energi Dasar, Energi Fosil dan Pengelolaan Karbon, program Sumur Yatim Piatu Tidak Berdokumen.