𝗣𝗵𝘆𝘀𝗶𝗰𝘀-𝗔𝘂𝗴𝗺𝗲𝗻𝘁𝗲𝗱 𝗗𝗶𝗳𝗳𝘂𝘀𝗶𝗼𝗻 𝗠𝗼𝗱𝗲𝗹𝗶𝗻𝗴 𝗳𝗼𝗿 𝗪𝗶𝗹𝗱𝗳𝗶𝗿𝗲 𝗘𝘃𝗮𝗰𝘂𝗮𝘁𝗶𝗼𝗻

แบบจำลองการอพยพแบบดั้งเดิมนั้นใช้ไม่ได้ผลอีกต่อไป

ระหว่างการซ้อมหนีไฟป่าใน Sierra Nevada ผมได้เห็นสิ่งนี้ด้วยตัวเอง ผมได้ทดสอบเอเจนต์จัดเส้นทางจราจร (traffic routing agent) ในห้องแล็บมันทำงานได้อย่างสมบูรณ์แบบ แต่ในพื้นที่จริงมันกลับล้มเหลว มันแนะนำเส้นทางที่กลายเป็นเส้นทางที่ไม่สามารถสัญจรได้เนื่องจากความร้อน และมันส่งผู้คนเข้าไปในกลุ่มควันหนาทึบ

ปัญหานั้นเรียบง่ายมาก แบบจำลองส่วนใหญ่ปฏิบัติกับการอพยพเหมือนเป็นปัญหาทางคณิตศาสตร์บนกราฟ พวกเขามองข้ามหลักฟิสิกส์ มองข้ามวิธีการที่ไฟลาม วิธีที่ควันเคลื่อนที่ และวิธีที่ความร้อนแผ่รังสีออกมา

ผมพบทางออกโดยการรวมฟิสิกส์เข้ากับ Generative AI โดยเฉพาะอย่างยิ่ง ผมได้ใช้ diffusion models

ทำไมต้องเป็น diffusion models? การหาค่าที่เหมาะสมที่สุด (optimization) แบบมาตรฐานมักล้มเหลวเพราะไฟป่านั้นคาดเดาไม่ได้ แนวไฟมีการเปลี่ยนแปลง ถนนปิดกะทันหัน Diffusion models ทำงานแตกต่างออกไป พวกมันเรียนรู้ช่วงของอนาคตที่เป็นไปได้ และสุ่มตัวอย่างจากชุดแผนการที่หลากหลายและใช้งานได้จริง

ผมได้สร้างเฟรมเวิร์กที่เรียกว่า Physics-Augmented Diffusion Modeling (PADM)

นี่คือวิธีการทำงาน: ในโมเดล diffusion ปกติ AI จะกำจัดสัญญาณรบกวน (noise) เพื่อสร้างผลลัพธ์ ผมได้เพิ่มพจน์การแก้ไขที่อิงตามหลักฟิสิกส์ (physics-based correction term) เข้าไปในกระบวนการนี้ พจน์นี้จะเข้ารหัส:

  • พลศาสตร์ของไฟ (ฟลักซ์ความร้อนและความหนาแน่นของควัน)
  • ข้อจำกัดด้านโครงสร้างพื้นฐาน (ความจุของถนนและโครงข่ายพลังงาน)

สิ่งนี้ทำให้โมเดลเคารพกฎของธรรมชาติ

ผมยังได้รวมโครงสร้างพื้นฐานแบบคาร์บอนลบ (carbon-negative infrastructure) เข้าไปด้วย ซึ่งรวมถึงสถานีรถยนต์ไฟฟ้าที่ขับเคลื่อนด้วยพลังงานจากการดักจับคาร์บอน โมเดลของผมเรียนรู้ที่จะจัดเส้นทางผู้อพยพไปยังที่พักพิงที่มีพลังงานพร้อมใช้งาน ในขณะที่ลดการปล่อยคาร์บอนโดยรวมให้เหลือน้อยที่สุด

ผลลัพธ์จากการทดสอบกับข้อมูลไฟป่าในแคลิฟอร์เนียในอดีตนั้นชัดเจน:

  • เวลาในการอพยพลดลงจาก 4.2 ชั่วโมง เหลือ 3.1 ชั่วโมง
  • จำนวนผู้เสียชีวิตจากการจำลองลดลงจาก 12 เหลือ 3 ราย
  • การปล่อยคาร์บอนเปลี่ยนจาก +45 ตัน เป็น -12 ตัน

บทเรียนสำคัญ:

  • ฟิสิกส์คือแนวทาง ไม่ใช่แค่ข้อจำกัด การใช้ differentiable physics ช่วยให้ AI เรียนรู้จากการจำลองได้
  • ความไม่แน่นอนเชิงสุ่ม (Stochasticity) คือเครื่องมือ ในสถานการณ์ฉุกเฉิน การมีแผนที่เป็นไปได้หลายแผนย่อมดีกว่าการมีเส้นทาง "ที่เหมาะสมที่สุด" เพียงเส้นทางเดียว
  • ระบบคาร์บอนลบเปลี่ยนตัวเลขทางคณิตศาสตร์ สิ่งเหล่านี้เพิ่มชั้นใหม่ๆ ให้กับวิธีการที่เราปรับปรุงโลจิสติกส์ให้เหมาะสมที่สุด

อนาคตของ AI ไม่ใช่แค่เรื่องของข้อมูล แต่มันคือการรวมข้อมูลเข้ากับกฎพื้นฐานของโลกเรา

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

ชุมชนการเรียนรู้ (เลือกเข้าร่วมได้): https://t.me/GyaanSetuAi