Vue d’ensemble de la reconstruction clairsemée à l’aide du modèle Senseiver. a, Le flux de travail des innovations Senseiver pour le problème de détection clairsemée. Nous utilisons des valeurs de capteurs et des emplacements de requêtes précis qui sont rares dans le domaine du terrain et permettent une plus grande efficacité de calcul. Les valeurs du capteur sont traitées par un encodeur et la représentation latente résultante est transmise avec les informations de requête à un décodeur, qui estime le champ à un nouvel emplacement. Dans cet exemple, la sortie est décodée dans une grille structurée. b, Aperçu des applications dans ce travail. Crédit: Intelligence des machines naturelles (2023). DOI : 10.1038/s42256-023-00746-x
Une approche innovante de l’intelligence artificielle (IA) permet de reconstruire un vaste champ de données, telles que la température globale des océans, à partir d’un petit nombre de capteurs déployables sur le terrain en utilisant une informatique « de pointe » de faible puissance, avec de nombreuses applications dans l’industrie, la science et la médecine. .
“Nous avons développé un réseau neuronal qui nous permet de représenter un grand système de manière très compacte”, a déclaré Javier Santos, chercheur au Laboratoire national de Los Alamos qui applique la science informatique aux problèmes géophysiques.
“Cette compacité signifie qu’il nécessite moins de ressources informatiques par rapport aux architectures de réseaux neuronaux convolutifs de pointe, ce qui le rend bien adapté au déploiement sur le terrain sur des drones, des réseaux de capteurs et d’autres applications informatiques de pointe qui rapprochent le calcul de son utilisation finale. “.
Une nouvelle approche de l’IA améliore l’efficacité informatique
Santos est le premier auteur d’un article publié par une équipe de chercheurs de Los Alamos en Intelligence des machines naturelles sur la nouvelle technique d’IA, qu’ils ont baptisée Senseiver. Le travail, qui s’appuie sur un modèle d’IA appelé Perceiver IO développé par Google, applique les techniques de modèles de langage naturel tels que ChatGPT au problème de la reconstruction d’informations sur une vaste zone, comme l’océan, à partir de relativement peu de mesures.
L’équipe a réalisé que le modèle aurait une large application en raison de son efficacité. “Utiliser moins de paramètres et moins de mémoire nécessite moins de cycles d’unité centrale sur l’ordinateur, donc il fonctionne plus rapidement sur des ordinateurs plus petits”, a déclaré Dan O’Malley, co-auteur de l’article et chercheur à Los Alamos qui applique l’apprentissage automatique aux problèmes géoscientifiques. .
Dans une première dans la littérature publiée, Santos et ses collègues de Los Alamos ont validé le modèle en démontrant son efficacité sur des ensembles réels de données éparses (c’est-à-dire des informations extraites de capteurs qui ne couvrent qu’une infime partie du champ d’intérêt) et sur des données complexes. ensembles de données sur les fluides tridimensionnels.
Dans une démonstration de l’utilité réelle du Senseiver, l’équipe a appliqué le modèle à un ensemble de données sur la température de surface de la mer de la National Oceanic and Atmospheric Administration. Le modèle a pu intégrer une multitude de mesures prises au fil des décennies à partir de satellites et de capteurs embarqués sur des navires. À partir de ces mesures ponctuelles éparses, le modèle prévoit les températures sur l’ensemble du corps océanique, ce qui fournit des informations utiles aux modèles climatiques mondiaux.
Apporter l’IA aux drones et aux réseaux de capteurs
Le Senseiver est bien adapté à une variété de projets et de domaines de recherche intéressant Los Alamos.
“Los Alamos dispose d’un large éventail de capacités de télédétection, mais il n’est pas facile d’utiliser l’IA car les modèles sont trop gros et ne s’adaptent pas aux appareils sur le terrain, ce qui nous amène à l’informatique de pointe”, a déclaré Hari Viswanathan, du laboratoire de Los Alamos. Fellow, scientifique de l’environnement et co-auteur de l’article sur le Senseiver. “Notre travail apporte les avantages de l’IA aux drones, aux réseaux de capteurs sur le terrain et à d’autres applications actuellement hors de portée de la technologie d’IA de pointe.”
Le modèle d’IA sera particulièrement utile dans les travaux du Laboratoire d’identification et de caractérisation des puits orphelins. Le laboratoire dirige le Consortium Advancing Technology for Assessment of Lost Oil & Gas Wells (CATALOG), un programme fédéral chargé de localiser et de caractériser les puits orphelins non documentés et de mesurer leurs émissions de méthane. Viswanathan est le scientifique principal de CATALOG.
L’approche offre des capacités améliorées pour des applications pratiques à grande échelle telles que les voitures autonomes, la modélisation à distance des actifs pétroliers et gaziers, la surveillance médicale des patients, les jeux en nuage, la fourniture de contenu et le traçage des contaminants.
Plus d’information:
Javier E. Santos et al, Développement du Senseiver pour une reconstruction efficace du champ à partir d’observations clairsemées, Intelligence des machines naturelles (2023). DOI : 10.1038/s42256-023-00746-x
Fourni par le Laboratoire national de Los Alamos
Citation: Une nouvelle approche utilisant des modèles de langage naturel ouvre des applications d’IA pour l’informatique de pointe (13 novembre 2023) récupéré le 13 novembre 2023 sur
Ce document est soumis au droit d’auteur. En dehors de toute utilisation équitable à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans autorisation écrite. Le contenu est fourni seulement pour information.
