جنگل کی آگ سے انخلاء کے لیے فزکس سے افزود شدہ ڈیفیوژن ماڈلنگ (Physics-Augmented Diffusion Modeling for Wildfire Evacuation)
روایتی انخلاء کے ماڈلز ناکام ہو چکے ہیں۔
سیرا نیواڈا (Sierra Nevada) میں جنگل کی آگ سے بچاؤ کی ایک مشق کے دوران، میں نے اس کا خود تجربہ کیا۔ میں نے ٹریفک روٹنگ ایجنٹ کا تجربہ کیا۔ لیب میں، یہ مکمل طور پر کام کر رہا تھا۔ لیکن میدان میں، یہ ناکام ہو گیا۔ اس نے ایسے راستوں کا مشورہ دیا جو گرمی کی وجہ سے ناقابل عبور ہو گئے تھے۔ اس نے لوگوں کو گھنے دھوئیں میں بھیج دیا۔
مسئلہ سادہ ہے۔ زیادہ تر ماڈلز انخلاء کو گراف پر ایک ریاضیاتی مسئلے کے طور پر دیکھتے ہیں۔ وہ فزکس کو نظر انداز کرتے ہیں۔ وہ اس بات کو نظر انداز کرتے ہیں کہ آگ کیسے پھیلتی ہے، دھواں کیسے حرکت کرتا ہے، اور حرارت کیسے خارج ہوتی ہے۔
میں نے جنریٹو AI (generative AI) کے ساتھ فزکس کو ملا کر ایک حل تلاش کیا۔ خاص طور پر، میں نے diffusion models کا استعمال کیا۔
ڈیفیوژن ماڈلز (diffusion models) کیوں؟ معیاری آپٹیمائزیشن (optimization) اس لیے ناکام ہو جاتی ہے کیونکہ جنگل کی آگ غیر متوقع ہوتی ہے۔ آگ کے پھیلاؤ کے رخ بدلتے رہتے ہیں۔ سڑکیں اچانک بند ہو جاتی ہیں۔ ڈیفیوژن ماڈلز مختلف طریقے سے کام کرتے ہیں۔ وہ ممکنہ مستقبل کے ایک وسیع دائرے کو سیکھتے ہیں۔ وہ بہت سے قابل عمل منصوبوں کے مجموعے سے نمونے (sample) لیتے ہیں۔
میں نے Physics-Augmented Diffusion Modeling (PADM) نامی ایک فریم ورک تیار کیا۔
یہ کیسے کام کرتا ہے: ایک عام ڈیفیوژن ماڈل میں، AI آؤٹ پٹ بنانے کے لیے شور (noise) کو ختم کرتا ہے۔ میں نے اس عمل میں فزکس پر مبنی ایک اصلاحی اصطلاح (correction term) شامل کی۔ یہ اصطلاح درج ذیل چیزوں کو کوڈ کرتی ہے:
- آگ کی حرکیات (fire dynamics) (حرارت کا بہاؤ اور دھوئیں کی کثافت)۔
- انفراسٹرکچر کی حدود (infrastructure constraints) (سڑکوں کی گنجائش اور انرجی گرڈز)۔
یہ ماڈل کو فطرت کے قوانین کا احترام کرنے کے قابل بناتا ہے۔
میں نے کاربن منفی انفراسٹرکچر (carbon-negative infrastructure) کو بھی شامل کیا۔ اس میں کاربن کیپچر انرجی سے چلنے والے الیکٹرک وہیکل اسٹیشنز شامل ہیں۔ میرے ماڈل نے کل اخراج کو کم سے کم کرتے ہوئے، انخلاء کرنے والوں کو دستیاب بجلی والے پناہ گاہوں کی طرف بھیجنا سیکھ لیا۔
کیلیفورنیا کے جنگل کی آگ کے تاریخی ڈیٹا پر کیے گئے تجربات کے نتائج واضح تھے:
- انخلاء کا وقت 4.2 گھنٹوں سے کم ہو کر 3.1 گھنٹے رہ گیا۔
- فرضی اموات (simulated fatalities) 12 سے کم ہو کر 3 رہ گئیں۔
- کاربن کا اخراج +45 ٹن سے کم ہو کر -12 ٹن ہو گیا۔
اہم اسباق:
- فزکس ایک رہنما ہے، محض ایک پابندی نہیں۔
differentiable physicsکا استعمال AI کو سیمولیشنز سے سیکھنے میں مدد دیتا ہے۔ - Stochasticity ایک ہتھیار ہے۔ ہنگامی حالات میں، ایک واحد "بہترین" راستے کے بجائے متعدد ممکنہ منصوبے ہونا بہتر ہے۔
- کاربن منفی نظام ریاضی کے اصولوں کو بدل دیتے ہیں۔ وہ لاجسٹکس کو بہتر بنانے کے طریقے میں نئے پہلو شامل کرتے ہیں۔
AI کا مستقبل صرف ڈیٹا کے بارے میں نہیں ہے۔ یہ ڈیٹا کو ہماری دنیا کے بنیادی قوانین کے ساتھ ملانے کے بارے میں ہے۔
اختیاری سیکھنے کی کمیونٹی: https://t.me/GyaanSetuAi