Resumen de la reconstrucción dispersa utilizando el modelo Senseiver. a, El flujo de trabajo de las innovaciones Senseiver para el problema de sensado disperso. Utilizamos valores de sensores y ubicaciones de consulta precisas que son dispersas en el dominio del campo y permiten una mayor eficiencia computacional. Los valores de los sensores son procesados por un codificador, y la representación latente resultante se pasa junto con la información de consulta a un decodificador, que estima el campo en una nueva ubicación. En este ejemplo, la salida se decodifica en una cuadrícula estructurada. b, Resumen de las aplicaciones en este trabajo. Créditos: Nature Machine Intelligence (2023). DOI: 10.1038/s42256-023-00746-x
Un enfoque innovador para la inteligencia artificial (IA) permite la reconstrucción de un amplio campo de datos, como la temperatura general del océano, a partir de un pequeño número de sensores desplegables en campo utilizando "computación en el borde" de baja potencia, con amplias aplicaciones en la industria, la ciencia y la medicina.
"Desarrollamos una red neuronal que nos permite representar un sistema grande de una manera muy compacta", dijo Javier Santos, un investigador del Laboratorio Nacional de Los Álamos que aplica la ciencia computacional a los problemas geofísicos.
"Esa compacidad significa que requiere menos recursos computacionales en comparación con las arquitecturas de redes neuronales convolucionales de última generación, lo que lo hace adecuado para despliegue en campo en drones, matrices de sensores y otras aplicaciones de computación en el borde que acercan la computación a su uso final".
Nuevo enfoque de IA mejora la eficiencia computacional
Santos es el primer autor de un artículo publicado por un equipo de investigadores de Los Álamos en Nature Machine Intelligence sobre la técnica novedosa de IA, a la que denominaron Senseiver. El trabajo, que se basa en un modelo de IA llamado Perceiver IO desarrollado por Google, aplica las técnicas de modelos de lenguaje natural como ChatGPT al problema de la reconstrucción de información sobre un área amplia, como el océano, a partir de relativamente pocas mediciones.
El equipo se dio cuenta de que el modelo tendría una amplia aplicabilidad debido a su eficiencia. "El uso de menos parámetros y menos memoria requiere menos ciclos de unidad central de procesamiento en la computadora, por lo que se ejecuta más rápido en computadoras más pequeñas", dijo Dan O'Malley, coautor del artículo e investigador de Los Álamos que aplica el aprendizaje automático a problemas geocientíficos.
Por primera vez en la literatura publicada, Santos y sus colegas de Los Álamos validaron el modelo demostrando su efectividad en conjuntos de datos dispersos del mundo real, es decir, información tomada de sensores que cubren solo una pequeña parte del campo de interés, y en conjuntos de datos de fluidos tridimensionales complejos.
En una demostración de la utilidad en el mundo real de Senseiver, el equipo aplicó el modelo a un conjunto de datos de temperatura de la superficie del mar de la Administración Nacional Oceánica y Atmosférica. El modelo pudo integrar una multitud de mediciones realizadas durante décadas a partir de satélites y sensores en barcos. A partir de estas mediciones puntuales dispersas, el modelo pronosticó las temperaturas en todo el cuerpo del océano, lo que proporciona información útil para los modelos climáticos globales.
Llevando la IA a drones y redes de sensores
El Senseiver es adecuado para una variedad de proyectos y áreas de investigación de interés para Los Álamos.
Los Alamos cuenta con una amplia gama de capacidades de percepción remota, pero no es fácil utilizar la inteligencia artificial (IA) debido a que los modelos son demasiado grandes y no se ajustan a los dispositivos en el campo, lo que nos lleva a la computación perimetral," dijo Hari Viswanathan, Miembro del Laboratorio de Los Alamos, científico ambiental y coautor del artículo sobre el Senseiver. "Nuestro trabajo lleva los beneficios de la IA a los drones, a las redes de sensores en el campo y a otras aplicaciones que actualmente están más allá del alcance de la tecnología de IA de vanguardia."
El modelo de IA será particularmente útil en el trabajo del laboratorio para identificar y caracterizar pozos abandonados. El laboratorio lidera el Consorcio para el Avance de la Tecnología para la Evaluación de Pozos de Petróleo y Gas Perdidos (CATÁLOGO), un programa federal encargado de localizar y caracterizar pozos huérfanos no documentados y medir sus emisiones de metano. Viswanathan es el científico principal de CATALOG.
Este enfoque ofrece capacidades mejoradas para aplicaciones grandes y prácticas, como los automóviles autónomos, la modelización remota de activos en la industria del petróleo y el gas, el monitoreo médico de pacientes, los juegos en la nube, la entrega de contenido y el rastreo de contaminantes.
Más información: Javier E. Santos et al, Desarrollo del Senseiver para una reconstrucción eficiente del campo a partir de observaciones dispersas, Nature Machine Intelligence (2023). DOI: 10.1038/s42256-023-00746-x
Información de la revista: Nature Machine Intelligence
