Jak IBM i NASA redefiniują geoprzestrzenną sztuczną inteligencję, aby stawić czoła wyzwaniom klimatycznym

W miarę zmian klimatycznych paliwa coraz poważniejsze zjawiska pogodowe, takie jak powodzie, huragany, susze i pożary lasów, sprawiają, że tradycyjne metody reagowania na katastrofy mają trudności z nadążaniem. Podczas gdy postęp w technologii satelitarnej, dronach i zdalnych czujnikach pozwala na lepsze monitorowanie, dostęp do tych kluczowych danych pozostaje ograniczony do kilku organizacji, pozostawiając wielu badaczy i innowatorów bez potrzebnych im narzędzi. Powódź danych geoprzestrzennych generowanych codziennie również stała się wyzwaniem — przytłaczając organizacje i utrudniając wydobywanie znaczących spostrzeżeń. Aby rozwiązać te problemy, potrzebne są skalowalne, dostępne i inteligentne narzędzia, które przekształcą ogromne zbiory danych w praktyczne spostrzeżenia dotyczące klimatu. To tutaj sztuczna inteligencja geoprzestrzenna staje się kluczowa — wschodząca technologia, która ma potencjał analizowania dużych wolumenów danych, zapewniając dokładniejsze, proaktywne i terminowe prognozy. W tym artykule zbadano przełomową współpracę między IBM i NASA w celu opracowania zaawansowanej, bardziej dostępnej geoprzestrzennej AI, zapewniając szerszej publiczności narzędzia niezbędne do napędzania innowacyjnych rozwiązań środowiskowych i klimatycznych.

Dlaczego IBM i NASA są pionierami w dziedzinie sztucznej inteligencji geoprzestrzennej

Modele fundamentów (FM) stanowią nową granicę w AI, zaprojektowaną do uczenia się z ogromnych ilości nieoznakowanych danych i stosowania swoich spostrzeżeń w wielu domenach. To podejście oferuje kilka kluczowych zalet. W przeciwieństwie do tradycyjnych modeli AI, FM nie polegają na ogromnych, pieczołowicie opracowanych zestawach danych. Zamiast tego mogą dostrajać się do mniejszych próbek danych, oszczędzając zarówno czas, jak i zasoby. Dzięki temu są potężnym narzędziem do przyspieszania badań klimatycznych, w których gromadzenie dużych zestawów danych może być kosztowne i czasochłonne.

Ponadto FM usprawniają rozwój wyspecjalizowanych aplikacji, redukując zbędne wysiłki. Na przykład, po przeszkoleniu FM, można go dostosować do kilku aplikacji downstream, takich jak monitorowanie klęsk żywiołowych lub śledzenie użytkowania gruntów, bez konieczności rozległego ponownego szkolenia. Chociaż początkowy proces szkolenia może wymagać znacznej mocy obliczeniowej, wymagającej dziesiątek tysięcy godzin GPU. Jednak po przeszkoleniu, uruchomienie ich podczas wnioskowania zajmuje zaledwie kilka minut lub nawet sekund.

Ponadto FM mogą udostępniać zaawansowane modele pogodowe szerszej publiczności. Wcześniej tylko dobrze finansowane instytucje z zasobami na obsługę złożonej infrastruktury mogły uruchamiać te modele. Jednak wraz ze wzrostem liczby wstępnie wyszkolonych FM, modelowanie klimatu jest teraz w zasięgu szerszej grupy badaczy i innowatorów, otwierając nowe możliwości szybszych odkryć i innowacyjnych rozwiązań środowiskowych.

Geneza fundamentalnej geoprzestrzennej sztucznej inteligencji

Ogromny potencjał systemów FM skłonił IBM i NASA do współpracy w celu stworzenia kompleksowego systemu FM środowiska Ziemi. Głównym celem tego partnerstwa jest umożliwienie naukowcom wyciągania wniosków z obszernych zbiorów danych NASA dotyczących Ziemi w sposób zarówno efektywny, jak i przystępny.

W tym dążeniu w sierpniu 2023 r. osiągnęli znaczący przełom, prezentując pionierską FM dla danych geoprzestrzennych. Model ten został wytrenowany na obszernym zestawie danych satelitarnych NASA, obejmującym 40-letnie archiwum obrazów z Zharmonizowany Landsat Sentinel-2 (HLS) program. Wykorzystuje zaawansowane techniki AI, w tym architektury transformatorowe, aby wydajnie przetwarzać znaczne ilości danych geoprzestrzennych. Opracowany przy użyciu Superkomputer Cloud Vela firmy IBM i stosu WatsonX FM, model HLS może analizować dane nawet cztery razy szybciej niż tradycyjne modele głębokiego uczenia, jednocześnie wymagając znacznie mniejszej liczby oznaczonych zestawów danych do szkolenia.

Potencjalne zastosowania tego modelu są szerokie, od monitorowania zmian użytkowania gruntów i klęsk żywiołowych po przewidywanie plonów. Co ważne, to potężne narzędzie jest swobodnie dostępne dostępny na Hugging Face, umożliwiając badaczom i innowatorom z całego świata wykorzystanie jego potencjału i przyczynienie się do postępu nauki o klimacie i środowisku.

Postępy w dziedzinie podstawowych rozwiązań SI w zakresie geoprzestrzennym

Wykorzystując tę ​​dynamikę, IBM i NASA niedawno wprowadziły kolejny przełomowy model FM oparty na otwartym kodzie źródłowym: Prithvi WxCTen model został zaprojektowany z myślą o uwzględnieniu zarówno krótkoterminowych wyzwań pogodowych, jak i długoterminowych prognoz klimatycznych. Został wstępnie wytrenowany na podstawie 40-letnich danych obserwacyjnych NASA z analizy retrospektywnej ery współczesnej dla badań i zastosowań, wersja 2 (MERRA-2), FM oferuje znaczący postęp w porównaniu z tradycyjnymi modelami prognostycznymi.

Model zbudowano przy użyciu transformator wizyjny oraz maskowany autoenkoder, umożliwiając kodowanie danych przestrzennych w czasie. Poprzez włączenie mechanizm uwagi czasowej, FM może analizować dane reanalizy MERRA-2, które integrują różne strumienie obserwacyjne. Model może działać zarówno na powierzchni sferycznej, jak tradycyjne modele klimatyczne, jak i na płaskiej, prostokątnej siatce, co pozwala mu zmieniać się między widokami globalnymi i regionalnymi bez utraty rozdzielczości.

Ta unikalna architektura umożliwia precyzyjne dostrojenie Prithvi w skali globalnej, regionalnej i lokalnej, podczas gdy działa na standardowym komputerze stacjonarnym w ciągu kilku sekund. Ten model FM można wykorzystać w wielu zastosowaniach, w tym prognozowaniu lokalnej pogody, przewidywaniu ekstremalnych zjawisk pogodowych, zwiększaniu rozdzielczości przestrzennej globalnych symulacji klimatycznych i udoskonalaniu reprezentacji procesów fizycznych w konwencjonalnych modelach. Ponadto Prithvi jest wyposażony w dwa dopracowane wersje przeznaczone do konkretnych zastosowań naukowych i przemysłowych, zapewniające jeszcze większą precyzję analizy środowiskowej. Model jest swobodnie dostępny na przytuloną twarz.

Bottom Line

Partnerstwo IBM i NASA na nowo definiuje geoprzestrzenną sztuczną inteligencję, ułatwiając badaczom i innowatorom rozwiązywanie palących problemów klimatycznych. Dzięki opracowaniu modeli bazowych, które umożliwiają skuteczną analizę dużych zbiorów danych, współpraca ta zwiększa nasze możliwości przewidywania i zarządzania ekstremalnymi zjawiskami pogodowymi. Co ważniejsze, otwiera ona drogę szerszemu gronu odbiorców do dostępu do tych potężnych narzędzi, wcześniej dostępnych jedynie dla instytucji dysponujących dużymi zasobami. W miarę jak zaawansowane modele sztucznej inteligencji stają się dostępne dla coraz większej liczby osób, torują one drogę innowacyjnym rozwiązaniom, które mogą pomóc nam skuteczniej i odpowiedzialniej reagować na zmiany klimatu.