𝗣𝗵𝘆𝘀𝗶𝗰𝘀-𝗔𝘂𝗴𝗺𝗲𝗻𝘁𝗲𝗱 𝗗𝗶𝗳𝗳𝘂𝘀𝗶𝗼𝗻 𝗠𝗼𝗱𝗲𝗹𝗶𝗻𝗴 𝗳𝗼𝗿 𝗪𝗶𝗹𝗱𝗳𝗶𝗿𝗲 𝗘𝘃𝗮𝗰𝘂𝗮𝘁𝗶𝗼𝗻

பாரம்பரிய வெளியேற்ற மாதிரிகள் தோல்வியடைந்துள்ளன.

சியரா நெவாடாவில் (Sierra Nevada) நடந்த ஒரு காட்டுத் தீ விபத்து ஒத்திகையின் போது, இதை நான் நேரடியாகக் கண்டேன். நான் ஒரு போக்குவரத்து வழித்தட முகவரை (traffic routing agent) சோதித்தேன். ஆய்வகத்தில் அது மிகச்சரியாகச் செயல்பட்டது. ஆனால் களத்தில் அது தோல்வியடைந்தது. வெப்பம் காரணமாகப் பயன்படுத்த முடியாததாக மாறிய வழித்தடங்களை அது பரிந்துரைத்தது. அடர்ந்த புகைக்குள் மக்களை அது தள்ளியது.

பிரச்சனை எளிமையானது. பெரும்பாலான மாதிரிகள் வெளியேற்றத்தை ஒரு வரைபடத்தில் உள்ள கணிதப் பிரச்சனையாகவே கருதுகின்றன. அவை இயற்பியலை (physics) புறக்கணிக்கின்றன. தீ எவ்வாறு பரவுகிறது, புகை எவ்வாறு நகர்கிறது மற்றும் வெப்பம் எவ்வாறு கதிர்வீச்சாகப் பரவுகிறது என்பதை அவை கணக்கில் கொள்வதில்லை.

இயற்பியலை உருவாக்கும் செயற்கை நுண்ணறிவுடன் (generative AI) இணைப்பதன் மூலம் நான் ஒரு தீர்வைக் கண்டறிந்தேன். குறிப்பாக, நான் பரவல் மாதிரிகளை (diffusion models) பயன்படுத்தினேன்.

ஏன் பரவல் மாதிரிகள்? காட்டுத் தீயları கணிக்க முடியாதவை என்பதால், நிலையான உகப்பாக்கம் (standard optimization) தோல்வியடைகிறது. தீயின் எல்லைகள் மாறுகின்றன. சாலைகள் திடீரென மூடப்படுகின்றன. பரவல் மாதிரிகள் வேறுவிதமாகச் செயல்படுகின்றன. அவை சாத்தியமான எதிர்காலங்களின் வரம்பைக் கற்றுக்கொள்கின்றன. அவை பல சாத்தியமான திட்டங்களின் தொகுப்பிலிருந்து மாதிரிகளைத் தேர்ந்தெடுக்கின்றன.

நான் Physics-Augmented Diffusion Modeling (PADM) என்று அழைக்கப்படும் ஒரு கட்டமைப்பை உருவாக்கினேன்.

இது எவ்வாறு செயல்படுகிறது: ஒரு சாதாரண பரவல் மாதிரியில், AI வெளியீட்டை உருவாக்க இரைச்சலை (noise) நீக்குகிறது. இந்தச் செயல்பாட்டிற்கு நான் இயற்பியல் சார்ந்த திருத்தக் காரணியைச் (physics-based correction term) சேர்த்தேன். இந்தத் காரணி பின்வருவனவற்றை உள்ளடக்கியது:

  • தீ இயக்கவியல் (வெப்பப் பாய்வு மற்றும் புகையின் அடர்த்தி).
  • உள்கட்டமைப்புத் தடைகள் (சாலைத் திறன் மற்றும் எரிசக்தி வலைப்பின்னல்கள்).

இது மாதிரி இயற்கையின் விதிகளுக்குக் கட்டுப்படுவதை உறுதி செய்கிறது.

நான் கார்பன்-எதிர்மறை (carbon-negative) உள்கட்டமைப்பையும் ஒருங்கிணைத்தேன். இதில் கார்பன்-பிடிப்பு (carbon-capture) ஆற்றலால் இயங்கும் மின்சார வாகன நிலையங்கள் அடங்கும். மொத்த உமிழ்வைக் குறைக்கும் அதே வேளையில், மின்சாரம் கிடைக்கும் தங்குமிடங்களுக்கு வெளியேறுபவர்களை வழிநடத்த எனது மாதிரி கற்றுக்கொண்டது.

கலிபோர்னியாவின் வரலாற்றுச் காட்டுத் தீ தரவுகளில் செய்யப்பட்ட சோதனையின் முடிவுகள் தெளிவாக இருந்தன:

  • வெளியேறும் நேரம் 4.2 மணிநேரத்திலிருந்து 3.1 மணிநேரமாகக் குறைந்தது.
  • உருவகப்படுத்தப்பட்ட உயிரிழப்புகள் 12-லிருந்து 3-ஆகக் குறைந்தது.
  • கார்பன் உமிழ்வு +45 டன்களிலிருந்து -12 டன்களாகக் குறைந்தது.

முக்கிய பாடங்கள்:

  • இயற்பியல் என்பது ஒரு வழிகாட்டி மட்டுமே, வெறும் கட்டுப்பாடு அல்ல. வேறுபடுத்தக்கூடிய இயற்பியலைப் (differentiable physics) பயன்படுத்துவது, AI உருவகப்படுத்துதல்களில் இருந்து கற்றுக்கொள்ள அனுமதிக்கிறது.
  • சமவாய்ப்புத்தன்மை (Stochasticity) ஒரு கருவி. அவசர காலங்களில், ஒரே ஒரு "உகந்த" பாதையை விட பல சாத்தியமான திட்டங்களை வைத்திருப்பது சிறந்தது.
  • கார்பன்-எதிர்மறை அமைப்புகள் கணித முறையையே மாற்றுகின்றன. அவை நாம் தளவாடங்களை (logistics) எவ்வாறு மேம்படுத்துகிறோம் என்பதில் புதிய அடுக்குகளைச் சேர்க்கின்றன.

AI-ன் எதிர்காலம் என்பது தரவுகளைப் பற்றியது மட்டுமல்ல. அது தரவுகளை நமது உலகின் அடிப்படை விதிகளுடன் இணைப்பதைப் பற்றியது.

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

விருப்பத்தேர்வு கற்றல் சமூகம்: https://t.me/GyaanSetuAi