نمذجة الانتشار المعززة بالفيزياء للإخلاء أثناء حرائق الغابات

نماذج الإخلاء التقليدية غير فعالة.

خلال تدريب على حرائق الغابات في سييرا نيفادا، رأيت ذلك بنفسي. قمت باختبار وكيل لتوجيه حركة المرور؛ في المختبر، كان يعمل بشكل مثالي، أما في الميدان، فقد فشل. فقد اقترح مسارات أصبحت غير سالكة بسبب الحرارة، وأرسل الناس إلى دخان كثيف.

المشكلة بسيطة. معظم النماذج تتعامل مع الإخلاء كمشكلة رياضية على رسم بياني، فهي تتجاهل الفيزياء؛ تتجاهل كيفية انتشار النار، وكيفية تحرك الدخان، وكيفية إشعاع الحرارة.

لقد وجدت حلاً من خلال الجمع بين الفيزياء والذكاء الاصطناعي التوليدي. وتحديداً، استخدمت نماذج الانتشار (diffusion models).

لماذا نماذج الانتشار؟ تفشل عمليات التحسين القياسية لأن حرائق الغابات لا يمكن التنبؤ بها؛ فجبهات النار تتحرك، والطرق تُغلق فجأة. تعمل نماذج الانتشار بشكل مختلف، فهي تتعلم مجموعة من السيناريوهات المستقبلية المحتملة، وتأخذ عينات من مشهد يضم العديد من الخطط القابلة للتنفيذ.

لقد أنشأت إطار عمل يسمى نمذجة الانتشار المعززة بالفيزياء (Physics-Augmented Diffusion Modeling - PADM).

إليك كيفية عمله: في نموذج الانتشار العادي، يقوم الذكاء الاصطناعي بإزالة الضجيج لإنشاء مخرجات. لقد أضفت حداً تصحيحياً قائماً على الفيزياء إلى هذه العملية، وهذا الحد يرمز إلى:

  • ديناميكيات الحريق (التدفق الحراري وكثافة الدخان).
  • قيود البنية التحتية (سعة الطرق وشبكات الطاقة).

وهذا يجعل النموذج يحترم قوانين الطبيعة.

كما قمت بدمج بنية تحتية سلبية الكربون (carbon-negative infrastructure). ويشمل ذلك محطات المركبات الكهربائية التي تعمل بطاقة احتجاز الكربون. تعلم نموذجي توجيه النازحين إلى الملاجئ التي تتوفر فيها الطاقة مع تقليل إجمالي الانبعاثات.

كانت نتائج الاختبار على بيانات حرائق الغابات التاريخية في كاليفورنيا واضحة:

  • انخفض وقت الإخلاء من 4.2 ساعة إلى 3.1 ساعة.
  • انخفض عدد الوفيات في المحاكاة من 12 إلى 3.
  • انخفضت انبعاثات الكربون من +45 طناً إلى -12 طناً.

دروس رئيسية:

  • الفيزياء هي دليل وليست مجرد قيد. استخدام الفيزياء القابلة للتفاضل (differentiable physics) يتيح للذكاء الاصطناعي التعلم من عمليات المحاكاة.
  • العشوائية (Stochasticity) هي أداة. في حالات الطوارئ، يكون وجود خطط متعددة محتملة أفضل من وجود مسار "أمثل" واحد.
  • الأنظمة سلبية الكربون تغير الحسابات؛ فهي تضيف طبقات جديدة إلى كيفية تحسين العمليات اللوجستية.

إن مستقبل الذكاء الاصطناعي لا يتعلق بالبيانات فحسب، بل يتعلق بدمج البيانات مع القوانين الأساسية لعالمنا.

المصدر: https://dev.to/rikinptl/physics-augmented-diffusion-modeling-for-wildfire-evacuation-logistics-networks-in-carbon-negative-1lb2

مجتمع تعليمي اختياري: https://t.me/GyaanSetuAi