산불 대피를 위한 물리 기반 증강 확산 모델링
기존의 대피 모델은 제대로 작동하지 않습니다.
시에라 네바다에서 진행된 산불 훈련 중에 저는 이를 직접 목격했습니다. 교통 경로 지정 에이전트를 테스트했는데, 실험실에서는 완벽하게 작동했지만 현장에서는 실패했습니다. 열기로 인해 통행이 불가능해진 경로를 제안하거나, 사람들을 짙은 연기 속으로 안내했습니다.
문제는 간단합니다. 대부분의 모델은 대피를 그래프 상의 수학 문제로만 취급합니다. 물리학을 무시합니다. 불이 어떻게 번지는지, 연기가 어떻게 이동하는지, 열이 어떻게 복사되는지를 고려하지 않습니다.
저는 물리 법칙과 생성형 AI를 결합하여 해결책을 찾았습니다. 구체적으로는 확산 모델(diffusion models)을 사용했습니다.
왜 확산 모델일까요? 산불은 예측 불가능하기 때문에 표준 최적화 방식은 실패합니다. 화선(fire fronts)은 이동하고, 도로는 갑자기 폐쇄됩니다. 확산 모델은 다르게 작동합니다. 가능한 미래의 범위를 학습하며, 실행 가능한 여러 계획의 지형에서 샘플을 추출합니다.
저는 Physics-Augmented Diffusion Modeling (PADM)이라는 프레임워크를 만들었습니다.
작동 원리는 다음과 같습니다: 일반적인 확산 모델에서 AI는 노이즈를 제거하여 결과물을 만듭니다. 저는 이 과정에 물리 기반 보정 항(physics-based correction term)을 추가했습니다. 이 항에는 다음 내용이 인코딩됩니다:
- 화재 역학 (열유속 및 연기 밀도).
- 인프라 제약 조건 (도로 용량 및 에너지 그리드).
이를 통해 모델이 자연 법칙을 준수하도록 만듭니다.
또한 탄소 네거티브 인프라를 통합했습니다. 여기에는 탄소 포집 에너지로 구동되는 전기차 충전소가 포함됩니다. 제 모델은 총 배출량을 최소화하면서 사용 가능한 전력이 있는 대피소로 대피자를 안내하는 법을 학습했습니다.
캘리포니아의 과거 산불 데이터를 통한 테스트 결과는 명확했습니다:
- 대피 시간이 4.2시간에서 3.1시간으로 단축되었습니다.
- 시뮬레이션된 사망자 수가 12명에서 3명으로 감소했습니다.
- 탄소 배출량이 +45톤에서 -12톤으로 줄었습니다.
핵심 교훈:
- 물리학은 단순한 제약 조건이 아니라 가이드입니다. 미분 가능한 물리(differentiable physics)를 사용하면 AI가 시뮬레이션으로부터 학습할 수 있습니다.
- 확률성(Stochasticity)은 도구입니다. 비상 상황에서는 단 하나의 "최적" 경로보다 여러 가능한 계획을 갖는 것이 더 낫습니다.
- 탄소 네거티브 시스템은 계산 방식을 바꿉니다. 물류 최적화 방식에 새로운 계층을 추가합니다.
AI의 미래는 단순히 데이터에 관한 것이 아닙니다. 데이터와 우리 세상의 근본적인 법칙을 결합하는 것에 관한 것입니다.
선택 사항 학습 커뮤니티: https://t.me/GyaanSetuAi