用于野火疏散的物理增强扩散建模
传统的疏散模型已经失效了。
在内华达山脉（Sierra Nevada）的一次野火演习中，我亲身体验到了这一点。我测试了一个交通路由智能体（traffic routing agent）。在实验室里，它表现得完美无缺；但在实地测试中，它失败了。它建议的路线因高温而变得无法通行，甚至将人们引向了浓烟之中。
问题很简单。大多数模型将疏散视为图论上的数学问题，却忽略了物理规律。它们忽略了火灾是如何蔓延的、烟雾是如何移动的，以及热量是如何辐射的。
我通过将物理学与生成式 AI 相结合找到了解决方案。具体来说，我使用了扩散模型（diffusion models）。
为什么选择扩散模型？ 标准的优化方法之所以失效，是因为野火是不可预测的。火线会移动，道路会突然关闭。扩散模型的工作方式则不同。它们学习一系列可能的未来，并从多种可行方案的格局中进行采样。
我创建了一个名为物理增强扩散建模（Physics-Augmented Diffusion Modeling, PADM）的框架。
其工作原理如下： 在普通的扩散模型中，AI 通过去除噪声来生成输出。我在这一过程中加入了一个基于物理的修正项。该项编码了：
- 火灾动力学（热通量和烟雾密度）。
- 基础设施约束（道路容量和能源网）。
这使得模型能够遵循自然规律。
我还整合了负碳基础设施。这包括由碳捕集能源驱动的电动汽车充电站。我的模型学会了在最小化总排放量的同时，将疏散人员引导至有可用电力的避难所。
在加州历史野火数据上的测试结果非常明确：
- 疏散时间从 4.2 小时降至 3.1 小时。
- 模拟死亡人数从 12 人降至 3 人。
- 碳排放量从 +45 吨降至 -12 吨。
核心启示：
- 物理学是引导，而不仅仅是约束。使用可微物理（differentiable physics）可以让 AI 从模拟中学习。
- 随机性是一种工具。在紧急情况下，拥有多个可能的方案比单一的“最优”路径更好。
- 负碳系统改变了计算逻辑。它们为我们优化物流的方式增加了新的维度。
AI 的未来不仅仅关乎数据，更在于将数据与我们世界的根本规律相结合。
可选的学习社区：https://t.me/GyaanSetuAi