वणव्याच्या ഒഴിकरणासाठी फिजिक्स-ऑगमेंटेड डिफ्यूजन मॉडेलिंग (Physics-Augmented Diffusion Modeling)
पारंपारिक ഒഴിकरणाची मॉडेल्स अपयशी ठरत आहेत.
सिएरा नेवाडा (Sierra Nevada) मधील वणव्याच्या सरावादरम्यान, मी हे प्रत्यक्ष अनुभवले. मी एका ट्रॅफिक राउटिंग एजंटची चाचणी घेतली. प्रयोगशाळेत ते उत्तम काम करत होते. परंतु प्रत्यक्ष क्षेत्रात ते अपयशी ठरले. त्याने असे मार्ग सुचवले जे उष्णतेमुळे वापरण्याअयोग्य झाले होते. त्याने लोकांना दाट धुरामध्ये पाठवले.
समस्या साधी आहे. बहुतेक मॉडेल्स ഒഴിकरणाकडे ग्राफवरील गणिताची समस्या म्हणून पाहतात. ते भौतिकशास्त्राकडे (physics) दुर्लक्ष करतात. आग कशी पसरते, धूर कसा हलतो आणि उष्णता कशी बाहेर पडते, याकडे ते दुर्लक्ष करतात.
मी भौतिकशास्त्र आणि जनरेटिव्ह एआय (generative AI) यांचे एकत्रीकरण करून यावर उपाय शोधला. विशेषतः, मी डिफ्यूजन मॉडेल्सचा (diffusion models) वापर केला.
डिफ्यूजन मॉडेल्स का? वणवे अनपेक्षित असल्याने मानक ऑप्टिमायझेशन (standard optimization) अपयशी ठरते. आगीच्या कडा (fire fronts) बदलत राहतात. रस्ते अचानक बंद होतात. डिफ्यूजन मॉडेल्स वेगळ्या पद्धतीने काम करतात. ते संभाव्य भविष्यातील विविध शक्यता शिकतात. ते अनेक व्यवहार्य योजनांच्या संचातून नमुने (sample) निवडतात.
मी 'फिजिक्स-ऑगमेंटेड डिफ्यूजन मॉडेलिंग' (Physics-Augmented Diffusion Modeling - PADM) नावाचे एक फ्रेमवर्क तयार केले.
ते कसे कार्य करते ते खालीलप्रमाणे आहे: एका सामान्य डिफ्यूजन मॉडेलमध्ये, एआय (AI) आउटपुट तयार करण्यासाठी 'नॉईज' (noise) काढून टाकते. मी या प्रक्रियेत भौतिकशास्त्रावर आधारित एक 'करेक्शन टर्म' (correction term) जोडला. हा टर्म खालील गोष्टींचे कोडिंग करतो:
- आगीची गतिशीलता (fire dynamics) (उष्णता प्रवाह आणि धुराची घनता).
- पायाभूत सुविधांच्या मर्यादा (infrastructure constraints) (रस्त्यांची क्षमता आणि ऊर्जा ग्रीड्स).
यामुळे मॉडेल निसर्गाच्या नियमांचे पालन करते.
मी यामध्ये कार्बन-नेगेटिव्ह पायाभूत सुविधांचाही समावेश केला. यामध्ये कार्बन-कॅप्चर ऊर्जेवर चालणाऱ्या इलेक्ट्रिक वाहन स्टेशनचा समावेश आहे. माझ्या मॉडेलने एकूण उत्सर्जन कमी करताना, उपलब्ध वीज असलेल्या निवारा केंद्रांकडे (shelters) लोकांना कसे वळवायचे हे शिकले.
कॅलिफोर्नियातील ऐतिहासिक वणव्याच्या डेटावर केलेल्या चाचणीचे निकाल स्पष्ट होते:
- ഒഴിकरणाचा वेळ ४.२ तासांवरून ३.१ तासांवर आला.
- सिम्युलेटेड मृत्यूसंख्या १२ वरून ३ वर आली.
- कार्बन उत्सर्जन +४५ टनांवरून -१२ टनांवर आले.
महत्त्वाचे धडे:
- भौतिकशास्त्र हे केवळ एक बंधन नसून ते एक मार्गदर्शक आहे. 'डिफरेंशिएबल फिजिक्स'चा (differentiable physics) वापर केल्यामुळे एआय सिम्युलेशन्समधून शिकू शकते.
- स्टोकॅस्टिसिटी (Stochasticity) हे एक साधन आहे. आपत्कालीन परिस्थितीत, एकाच "सर्वोत्तम" मार्गापेक्षा अनेक संभाव्य योजना असणे अधिक चांगले असते.
- कार्बन-नेगेटिव्ह प्रणाली गणित बदलतात. लॉजिस्टिक्स ऑप्टिमाइझ करण्याच्या पद्धतीमध्ये त्या नवीन स्तर जोडतात.
एआयचे भविष्य केवळ डेटाबद्दल नाही. ते डेटाला आपल्या जगाच्या मूलभूत नियमांशी जोडण्याबद्दल आहे.
ऐच्छिक शिक्षण समुदाय: https://t.me/GyaanSetuAi