מידול דיפוזיה מועצם-פיזיקה עבור פינוי משריפות
מודלים מסורתיים של פינוי אינם עובדים.
במהלך תרגיל פינוי משריפות בסירה נבדה (Sierra Nevada), ראיתי זאת ממקור ראשון. בדקתי סוכן ניתוב תנועה. במעבדה, הוא עבד בצורה מושלמת. בשטח, הוא נכשל. הוא הציע מסלולים שהפכו לבלתי ניתנים למעבר בשל החום. הוא שלח אנשים לתוך עשן סמיך.
הבעיה פשוטה. רוב המודלים מתייחסים לפינוי כבעיה מתמטית על גרף. הם מתעלמים מפיזיקה. הם מתעלמים מהאופן שבו אש מתפשטת, מהאופן שבו עשן נע ומהאופן שבו חום מקרין.
מצאתי פתרון על ידי שילוב של פיזיקה עם בינה מלאכותית גנרטיבית (generative AI). באופן ספציפי, השתמשתי במודלי דיפוזיה (diffusion models).
מדוע מודלי דיפוזיה? אופטימיזציה סטנדרטית נכשלת מכיוון ששריפות בר אינן צפויות. חזיתות האש משתנות. כבישים נסגרים בפתאומיות. מודלי דיפוזיה עובדים אחרת. הם לומדים טווח של עתידים אפשריים. הם דוגמים מתוך מרחב של תוכניות רבות וברות-ביצוע.
יצרתי מסגרת עבודה בשם Physics-Augmented Diffusion Modeling (PADM).
כך זה עובד: במודל דיפוזיה רגיל, הבינה המלאכותית מסירה רעש כדי ליצור פלט. הוספתי תנאי תיקון מבוסס-פיזיקה לתהליך זה. התנאי הזה מקודד:
- דינמיקת אש (שטף חום וצפיפות עשן).
- אילוצי תשתית (קיבולת כבישים ורשתות אנרגיה).
זה גורם למודל לכבד את חוקי הטבע.
שילבתי גם תשתית בעלת פליטת פחמן שלילית (carbon-negative). זה כולל תחנות לרכב חשמלי המופעלות על ידי אנרגיה של לכידת פחמן. המודל שלי למד לנתב מפונים למקלטים עם חשמל זמין תוך מזעור סך הפליטות.
התוצאות מבדיקות על נתוני שריפות בר היסטוריים בקליפורניה היו ברורות:
- זמן הפינוי ירד מ-4.2 שעות ל-3.1 שעות.
- מספר ההרוגים בסימולציה ירד מ-12 ל-3.
- פליטות הפחמן ירדו מ-+45 טון ל--12 טון.
לקחים מרכזיים:
- פיזיקה היא מדריך, לא רק אילוץ. שימוש בפיזיקה דיפרנציאלית (differentiable physics) מאפשר לבינה המלאכותית ללמוד מסימולציות.
- סטוכסטיות היא כלי. במצבי חירום, קיומן של תוכניות אפשריות מרובות עדיף על מסלול "אופטימלי" יחיד.
- מערכות בעלות פליטת פחמן שלילית משנות את החישוב. הן מוסיפות שכבות חדשות לאופן שבו אנו מבצעים אופטימיזציה ללוגיסטיקה.
העתיד של הבינה המלאכותית אינו עוסק רק בנתונים. הוא עוסק בשילוב נתונים עם חוקי היסוד של העולם שלנו.
קהילת למידה (אופציונלי): https://t.me/GyaanSetuAi