ابزار هوش مصنوعی جدید تصاویر ماهواره ای واقعی از سیل آینده تولید می کند

تجسم اثرات بالقوه یک طوفان روی خانه های مردم قبل از وقوع می تواند به ساکنان کمک کند تا آماده شوند و تصمیم بگیرند که آیا تخلیه شوند.

دانشمندان MIT روشی ابداع کرده‌اند که تصاویر ماهواره‌ای را از آینده تولید می‌کند تا نشان دهد که چگونه یک منطقه پس از یک رویداد احتمالی سیل نگاه می‌کند. این روش یک مدل هوش مصنوعی مولد را با یک مدل سیل مبتنی بر فیزیک ترکیب می‌کند تا تصاویری واقع‌گرایانه از یک منطقه ایجاد کند که نشان می‌دهد با توجه به قدرت طوفان پیش رو، احتمال وقوع سیل در کجا وجود دارد.

به عنوان یک مورد آزمایشی، تیم این روش را در هیوستون به کار برد و تصاویر ماهواره‌ای تولید کرد که نشان می‌دهد مکان‌های خاصی در اطراف شهر پس از طوفان قابل مقایسه با طوفان هاروی که در سال 2017 منطقه را درنوردید، چگونه خواهد بود. تیم این تصاویر تولید شده را با ماهواره واقعی مقایسه کرد. تصاویری که پس از ضربه هاروی از همان مناطق گرفته شده است. آنها همچنین تصاویر تولید شده توسط هوش مصنوعی را که شامل یک مدل سیل مبتنی بر فیزیک نبود، مقایسه کردند.

روش تقویت شده فیزیک تیم، تصاویر ماهواره ای از سیل آینده را تولید کرد که واقعی تر و دقیق تر بود. در مقابل، روش فقط هوش مصنوعی، تصاویری از سیل در مکان‌هایی تولید می‌کند که سیل از نظر فیزیکی امکان‌پذیر نیست.

روش این تیم اثبات مفهومی است که هدف آن نشان دادن موردی است که در آن مدل‌های هوش مصنوعی مولد می‌توانند محتوای واقعی و قابل اعتماد را در صورت جفت شدن با یک مدل مبتنی بر فیزیک تولید کنند. به منظور اعمال روش در مناطق دیگر برای به تصویر کشیدن سیل از طوفان های آینده، باید آموزش داده شود. روی بسیاری از تصاویر ماهواره‌ای دیگر برای اطلاع از چگونگی وقوع سیل در مناطق دیگر.

Björn Lütjens، پسادکتر در دپارتمان زمین، جو و علوم سیاره ای MIT، که این تحقیق را رهبری می کرد، می گوید: «ایده این است: یک روز، ما می توانیم از آن قبل از طوفان استفاده کنیم، جایی که یک لایه تجسم اضافی برای عموم فراهم می کند. او دانشجوی دکترا در بخش هوانوردی و فضانوردی MIT (AeroAstro) بود. یکی از بزرگ‌ترین چالش‌ها تشویق مردم به تخلیه در صورت خطر است. شاید این تجسم دیگری برای کمک به افزایش این آمادگی باشد.”

برای نشان دادن پتانسیل روش جدید، که آنها آن را «موتور هوش زمین» نامیده‌اند، آن را به عنوان یک منبع آنلاین در دسترس دیگران قرار داده‌اند تا بتوانند آن را امتحان کنند.

محققان نتایج خود را امروز در مجله گزارش کردند معاملات IEEE روی علوم زمین و سنجش از دور. نویسندگان MIT این مطالعه عبارتند از Brandon Leshchinskiy. Aruna Sankaranarayanan; و داوا نیومن، استاد AeroAstro و مدیر آزمایشگاه رسانه MIT. همراه با همکاران از چندین موسسه.

تصاویر خصمانه تولیدی

مطالعه جدید گسترش تلاش های این تیم برای به کارگیری ابزارهای مولد هوش مصنوعی برای تجسم سناریوهای آب و هوایی آینده است.

نیومن، نویسنده ارشد این مطالعه، می‌گوید: «به نظر می‌رسد ارائه دیدگاهی بیش از حد محلی از آب و هوا مؤثرترین راه برای انتقال نتایج علمی ما باشد. «مردم با کد پستی خود، محیط محلی خود که خانواده و دوستانشان در آن زندگی می کنند، ارتباط برقرار می کنند. ارائه شبیه‌سازی‌های آب و هوای محلی بصری، شخصی و مرتبط می‌شود.»

برای این مطالعه، نویسندگان از یک شبکه متخاصم مولد شرطی یا GAN، یک نوع روش یادگیری ماشینی استفاده می‌کنند که می‌تواند تصاویر واقعی را با استفاده از دو شبکه عصبی رقیب، یا «متخاصم» تولید کند. اولین شبکه “مولد” آموزش داده شده است روی جفت داده های واقعی، مانند تصاویر ماهواره ای قبل و بعد از طوفان. سپس دومین شبکه «تبعیض‌کننده» آموزش داده می‌شود تا بین تصاویر ماهواره‌ای واقعی و تصویری که توسط شبکه اول ترکیب شده است تمایز قائل شود.

هر شبکه به طور خودکار عملکرد خود را بر اساس بهبود می بخشد روی بازخورد از شبکه دیگر بنابراین، ایده این است که چنین فشار و کشش خصمانه ای باید در نهایت تصاویر مصنوعی تولید کند که از چیز واقعی قابل تشخیص نیستند. با این وجود، GAN ها هنوز هم می توانند “توهمات” یا ویژگی های واقعی نادرست را در یک تصویر واقع گرایانه ایجاد کنند که نباید وجود داشته باشد.

لوتجنز، که شروع به تعجب کرد که آیا می توان از چنین توهماتی اجتناب کرد، می گوید: “توهمات می توانند بینندگان را گمراه کنند.” ما فکر می‌کردیم: چگونه می‌توانیم از این مدل‌های هوش مصنوعی مولد در محیط‌های تأثیر آب و هوا استفاده کنیم، جایی که داشتن منابع داده قابل اعتماد بسیار مهم است؟»

توهمات سیل

محققان در کار جدید خود سناریویی حساس به ریسک را در نظر گرفتند که در آن هوش مصنوعی مولد وظیفه ایجاد تصاویر ماهواره‌ای از سیل آینده را دارد که می‌تواند به اندازه کافی قابل اعتماد باشد تا تصمیم‌گیری در مورد روش آماده‌سازی و تخلیه احتمالی افراد از مسیر آسیب‌دیدگی را ارائه دهد.

به طور معمول، سیاست گذاران می توانند ایده ای از محل وقوع سیل داشته باشند روی تجسم در قالب نقشه های رنگی. این نقشه‌ها محصول نهایی خط لوله‌ای از مدل‌های فیزیکی هستند که معمولاً با یک مدل مسیر طوفان شروع می‌شود، که سپس به مدل باد می‌خورد که الگوی و قدرت باد را در یک منطقه محلی شبیه‌سازی می‌کند. این با یک مدل موج سیل یا طوفان ترکیب شده است که پیش‌بینی می‌کند چگونه باد ممکن است هر آب مجاور را به خشکی بکشاند. سپس یک مدل هیدرولیک نقشه‌برداری می‌کند که سیل در کجا رخ می‌دهد روی زیرساخت سیل محلی و ایجاد یک نقشه تصویری و کد رنگی از ارتفاعات سیل در یک منطقه خاص.

سوال این است: آیا تجسم تصاویر ماهواره‌ای می‌تواند سطح دیگری را به این موضوع اضافه کند، که کمی ملموس‌تر و از نظر احساسی جذاب‌تر از نقشه رنگی قرمز، زرد و آبی باشد، در حالی که هنوز قابل اعتماد است؟ لوتینز می گوید.

این تیم ابتدا آزمایش کرد که چگونه هوش مصنوعی مولد به تنهایی می تواند تصاویر ماهواره ای از سیل آینده تولید کند. آنها یک GAN را آموزش دادند روی تصاویر ماهواره ای واقعی که توسط ماهواره ها هنگام عبور از هیوستون قبل و بعد از طوفان هاروی گرفته شده است. هنگامی که ژنراتور را موظف به تولید تصاویر سیل جدید از همان مناطق کردند، دریافتند که این تصاویر شبیه تصاویر ماهواره ای معمولی است، اما با نگاه دقیق تر، توهمات در برخی از تصاویر، به شکل سیل هایی که سیل در آنها ممکن نیست (مثلاً در مکان هایی در ارتفاع بالاتر).

برای کاهش توهمات و افزایش قابل اعتماد بودن تصاویر تولید شده توسط هوش مصنوعی، تیم GAN را با یک مدل سیل مبتنی بر فیزیک که پارامترها و پدیده های واقعی و فیزیکی، مانند مسیر طوفان نزدیک، موج طوفان و الگوهای سیل را در خود جای داده است، جفت کردند. با این روش تقویت شده فیزیک، تیم تصاویر ماهواره‌ای از اطراف هیوستون تولید کردند که همان وسعت سیل را پیکسل به پیکسل، همانطور که توسط مدل سیل پیش‌بینی شده بود، نشان می‌دهد.

نیومن می‌گوید: «ما یک روش ملموس برای ترکیب یادگیری ماشین با فیزیک برای یک مورد استفاده حساس به ریسک نشان می‌دهیم، که ما را ملزم می‌کند تا پیچیدگی سیستم‌های زمین را تجزیه و تحلیل کنیم و اقدامات آینده و سناریوهای احتمالی را برای دور نگه داشتن مردم از خطرات پیش‌بینی کنیم.» ما نمی توانیم صبر کنیم تا ابزارهای هوش مصنوعی مولد خود را به دست تصمیم گیرندگان در سطح جامعه محلی برسانیم، که می تواند تفاوت قابل توجهی ایجاد کند و شاید زندگی را نجات دهد.

این تحقیق تا حدی توسط برنامه MIT پرتغال، شتاب دهنده هوش مصنوعی DAF-MIT، ناسا و Google Cloud پشتیبانی شد.