Привет, на связи Елена Кузнецова, специалист по автоматизации бизнес-процессов Шерпа Роботикс. Сегодня я подготовила для вас перевод статьи, касающейся применения ИИ в сфере научных исследований космоса и планеты Земля. В своей работе я автоматизирую рутинные процессы, но в другой сфере, и меня заинтересовало то, как ИИ берет на себя научную рутину и уже сегодня открывает нам знания, на получение которых мы бы потратили много лет. Приглашаю ознакомиться с взглядами исследователей Кэти Буман, Мэттью Грэхема, Джона Дабири и Закари Росса. В конце статьи я делюсь своими мыслями о том, как ИИ подталкивает нас к развитию и фокусу на более сложных задачах.

Машинное обучение и телескоп Event Horizon. Создание изображений черных дыр

Рассказывает Кэтрин Буаман, помощник профессора вычислительных и математических наук, электротехники и астрономии; стипендиат Розенберга и исследователь Института медицинских исследований Heritage.

Изучение чёрных дыр — это не только захватывающе, но и крайне сложно. Сеть телескопов, известная как Телескоп горизонта событий (EHT), собирает данные о чёрных дырах, используя синхронную работу нескольких установок, разбросанных по всему миру. Вместе они образуют один гигантский виртуальный телескоп, который помогает нам заглянуть в самые удалённые уголки Вселенной.

При сборе данных возникают "провалы" в охвате информации, что приводит к неопределённости в формировании изображений. Объединяя данные с разных телескопов, мы применяем алгоритмы, чтобы заполнить эти пробелы. Однако задача по оценке этой неопределённости является очень трудоемкой. Например, для получения изображения чёрной дыры M87* международной команде потребовалось несколько месяцев, а для более свежего изображения Sgr A* в центре нашей Галактики — целые годы.

Здесь на помощь приходит машинное обучение, а именно генеративные модели глубокого обучения. Эти модели могут не только создавать одно изображение, но и генерировать целую совокупность возможных изображений, соответствующих сложным данным, которые мы собираем. Такой подход позволяет более эффективно оценивать неопределённость и извлекать больше информации из имеющихся данных.

Одной из захватывающих областей применения машинного обучения является оптимизация сенсоров для вычислительной визуализации. Мы разрабатываем методы машинного обучения, чтобы определить места для установки новых телескопов, которые будут интегрированы в EHT. Совместное проектирование расположения телескопов и программного обеспечения для восстановления изображений позволяет нам извлекать больше информации из собранных данных и получать изображения более высокого качества с меньшей неопределённостью. Эта концепция со-дизайна вычислительных систем визуализации актуальна не только для EHT, но и для медицинской визуализации и других областей.

Профессоры астрономии из Caltech, Грег Халлинан и Викрам Рави, возглавляют проект DSA-2000, в рамках которого 2000 телескопов в Неваде будут отображать всё небо в радиодиапазоне. В отличие от EHT, где есть необходимость заполнять пробелы в данных, этот проект будет собирать огромное количество информации — около 5 терабайт в секунду. Все этапы обработки, такие как корреляция, калибровка и визуализация, должны быть быстрыми и автоматизированными.

У ученых нет времени для работы с данными традиционными методами. Поэтому они используют методы глубокого обучения, с помощью которых происходит автоматическое очищение изображения, так что пользователи получают результаты всего через несколько минут после сбора данных.

Как ИИ меняет астрономию. Взгляд Мэтью Грэма на эволюцию астрономических исследований

Астрономия переживает значительные изменения благодаря большим данным, и об этом рассказывает Мэтью Грэм, научный руководитель проекта Zwicky Transient Facility.

За последние 20 лет астрономия претерпела значительные изменения, которые в большей степени связаны с обработкой больших объёмов данных. Современные данные слишком сложны, обширны, а иногда поступают с телескопов слишком быстро — порой со скоростью гигабайт в секунду.

Сегодня учёные активно обращаются к методам машинного обучения. Применение новых больших наборов данных становится ключевым фактором в поиске редких объектов. Например, если вы ищете объект с вероятностью один на миллион, в наборе данных из миллиона объектов вы, вероятно, его обнаружите. Но в таком проекте, как Legacy Survey of Space and Time от обсерватории Рубина, где ожидается наличие 40 миллиардов объектов, у вас уже будет шанс найти целых 40000 таких "один на миллион".

Лично я заинтересован в активных галактических ядрах — областях, где в центре галактики располагается сверхмассивная чёрная дыра, окружённая диском газа и пыли, который падает в неё и делает её невероятно яркой. Я могу исследовать набор данных, чтобы находить такие объекты. У меня есть представление о том, какие паттерны стоит искать, и я разрабатываю подход машинного обучения для этой задачи. Я также могу смоделировать, как эти объекты должны выглядеть, а затем обучить алгоритм, чтобы он находил подобные объекты в реальных данных.

Сегодня мы используем компьютеры для рутинной работы, которая раньше выполнялась студентами бакалавриата или аспирантами. Однако мы постепенно переходим к более сложным областям, где машинное обучение становится всё более изощрённым. Мы начинаем спрашивать компьютеры: "Какие паттерны ты находишь в этих данных?"

Машинное обучение не просто помогает в обработке данных — оно открывает новые горизонты для астрономии, позволяя нам выявлять ранее незамеченные закономерности и делать более точные прогнозы. Как это повлияет на наше понимание Вселенной? Это вопрос, на который мы все надеемся получить ответ в ближайшем будущем.

Как ИИ меняет мониторинг и исследование океанов? Взгляд инженера Джона Дабири

Инженер Джон Дабири описывает, как современные технологии, в том числе искусственный интеллект, способны кардинально изменить подход к исследованию и мониторингу океанов.

Удивительно, но лишь 5–10% объёма океана было исследовано. Традиционные методы измерений с помощью кораблей оказываются дорогими, и в последнее время учёные и инженеры всё чаще прибегают к использованию подводных роботов для обследования океанского дна, изучения интересных объектов и анализа химического состава воды.

Наша команда разрабатывает технологии для создания роя небольших автономных подводных дронов и бионических медуз, которые помогут в исследовании океана. Дроны сталкиваются с сложными течениями, и борьба с ними приводит к потере энергии или сбивает их с курса. Вместо этого мы хотим, чтобы эти роботы использовали океанские течения так же, как ястребы используют термальные потоки в воздухе, чтобы достигать больших высот.

Однако в условиях сложных океанских течений мы не можем рассчитывать и контролировать траекторию каждого робота так, как это делается для космических аппаратов.

Когда речь идёт о глубоководном исследовании, управление дронами с помощью джойстика с поверхности, находясь на высоте 20000 футов, практически невозможно. Мы также не можем передавать им данные о местных океанских течениях, поскольку не можем обнаружить роботов с поверхности. В результате возникает необходимость наделить океанские дроны способностью принимать решения о движении самостоятельно.

Для этого мы оснастили дронов искусственным интеллектом, в частности, сетями глубокого обучения с подкреплением, работающими на маломощных микроконтроллерах размером всего в квадратный дюйм. Используя данные от гироскопов и акселерометров дронов, ИИ многократно вычисляет траектории. С каждым новым экспериментом он учится, как эффективно двигаться и маневрировать в различных течениях.

Таким образом, внедрение искусственного интеллекта в подводные технологии открывает новые горизонты для исследования океанов. Мы находимся на пороге эпохи, когда дроны смогут автономно исследовать таинственные глубины океана, предоставляя нам новые данные и открытия, которые когда-либо казались недоступными. Как это повлияет на наше понимание океанской экологии и динамики? Вопросов больше, чем ответов, но будущее выглядит многообещающе.

Как машинное обучение меняет мониторинг землетрясений? Взгляд сейсмолога Зака Росса

Слово "землетрясение" вызывает в воображении образы мощных толчков. Однако важно помнить, что перед этим моментом и после него происходят мелкие подземные толчки. Чтобы понять весь процесс, необходимо анализировать все сигналы землетрясений и выявлять общее поведение этих колебаний. Чем больше данных о толчках и землетрясениях мы собираем, тем яснее становится картина сложной сети разломов внутри Земли, ответственных за землетрясения.

Мониторинг сигналов землетрясений — это непростая задача. Сейсмологи работают с гораздо большими объемами данных, чем те, которые доступны широкой публике через Южно-калифорнийскую сейсмическую сеть. Этот объём данных слишком велик, чтобы справляться с ним вручную. Кроме того, мы не имеем простого способа отделить полезные сигналы землетрясений от "шумовых" сигналов, таких как звуки от громких событий или проезжающих грузовиков.

Ранее студенты в нашей сейсмологической лаборатории тратили много времени на измерение свойств сейсмических волн. Хотя освоить этот процесс можно за несколько минут, делать это не очень интересно. Эти рутинные задачи становятся преградой для настоящего научного анализа. Студенты предпочли бы использовать своё время для более креативных задач.

Теперь искусственный интеллект помогает нам распознавать интересующие нас сигналы. Сначала мы обучаем алгоритмы машинного обучения обнаруживать различные типы сигналов в данных, которые были тщательно аннотированы вручную. Затем мы применяем нашу модель к новым входящим данным. Модель принимает решения с такой же точностью, как и сейсмологи.

Таким образом, внедрение машинного обучения в сейсмологию открывает новые горизонты для более глубокого понимания землетрясений и их предшествующих толчков. ИИ позволяет нам сократить время на рутинные задачи и сосредоточиться на более важном — анализе и интерпретации данных, что в конечном итоге может привести к лучшему прогнозированию и пониманию сейсмических процессов. Будущее сейсмологии выглядит многообещающе, и мы только начинаем осознавать потенциал, который открывают новые технологии.

Комментарий

На самом деле, эта статья подтолкнула меня к размышлениям. Мы постоянно говорим о том, что ИИ сокращает время выполнения задач и позволяет сосредоточиться на более важных процессах. А какие процессы более важные?

Мы можем быстрее получать данные для анализа, на основе которых мы с невиданной ранее скоростью можем делать выводы и полученную информацию применять для принятия решений.

И получается, что тот самый важный процесс, для которого нам высвобождает время ИИ – это именно принятие решений: постановка целей, формулирование задач и пр.
ИИ может дать нам ответ на вопрос, а вот что с этой информацией делать решает человек.

Главное отличие искусственного интеллекта от естественного разума в отсутствии воли. Сам ИИ не задает вопросов, что там – на глубине океана, в недрах Земли или на бескрайних просторах космоса.

То же самое происходит и на более приземленном уровне – сам по себе ИИ денег не заработает и бизнес не создаст. А вот человек с ИИ в качестве инструмента получает не только новые, ранее недоступные возможности, но новые требования к уровню собственного развития и скорости адаптации к изменениям.

Управление ИИ стало новой компетенцией. Уже сейчас мы сталкиваемся с таким явлением, как нейросотрудники, по применению которых надо как-то принимать решения, обучать взаимодействию персонал, писать ТЗ разработчикам на их функционал и пр.

Я бы сказала, что ИИ забирает у нас тот функционал, который мы уже давно хорошо освоили, но медленно выполняем, и ставит перед нами необходимость выполнения более сложной деятельности: находить цель и стремиться к ее достижению.