L’intelligenza artificiale (AI) sta rivoluzionando il modo in cui interagiamo con il mondo che ci circonda, offrendo soluzioni innovative in svariati settori, dalla ricerca scientifica all’industria, fino alla sanità. Un recente sviluppo nel campo dell’AI, nato dalla collaborazione tra i ricercatori del Los Alamos National Laboratory, promette di portare questa tecnologia anche nei sensori utilizzabili sul campo, inclusi i droni. Questo nuovo metodo si basa sull’impiego di modelli di linguaggio naturale per l’elaborazione di dati estesi, come la temperatura totale degli oceani, utilizzando un numero ridotto di sensori. La tecnica, denominata Senseiver, si avvale del cosiddetto ”edge computing”, un approccio all’elaborazione dei dati che riduce il bisogno di risorse computazionali e si presta a un’ampia gamma di applicazioni pratiche.
Un nuovo approccio nell’AI per l’efficienza computazionale
La rete neurale Senseiver
Javier Santos, ricercatore del Los Alamos National Laboratory, ha sviluppato una rete neurale che consente di rappresentare sistemi complessi in modo estremamente compatto. Questa caratteristica rende il modello particolarmente adatto all’impiego in campo, su droni o reti di sensori, grazie alla riduzione delle risorse computazionali necessarie rispetto alle architetture neurali convenzionali. La ricerca, pubblicata su Nature Machine Intelligence, si basa su un modello di AI chiamato Perceiver IO, sviluppato da Google, e applica le tecniche dei modelli di linguaggio naturale, come ChatGPT, al problema della ricostruzione di informazioni su aree estese a partire da misurazioni limitate.
Efficienza e applicazioni pratiche
Il modello Senseiver si distingue per la sua efficienza, utilizzando meno parametri e memoria, il che si traduce in un minor numero di cicli di elaborazione da parte dell’unità centrale di elaborazione del computer. Questo consente al modello di funzionare più velocemente su computer di dimensioni ridotte. Dan O’Malley, coautore dello studio e ricercatore al Los Alamos, ha sottolineato l’importanza di questa caratteristica per l’ampia gamma di applicazioni pratiche del modello, che vanno dai veicoli autonomi alla modellazione remota di risorse nel settore petrolifero e del gas, dal monitoraggio medico dei pazienti al cloud gaming, dalla consegna di contenuti alla tracciatura di contaminanti.
Validazione del modello
Santos e i suoi colleghi hanno validato il modello Senseiver dimostrando la sua efficacia su set di dati reali sparsi, ovvero informazioni raccolte da sensori che coprono solo una piccola parte dell’area di interesse, e su set di dati complessi di fluidi tridimensionali. In una dimostrazione pratica, il team ha applicato il modello a un dataset della temperatura superficiale del mare fornito dalla National Oceanic and Atmospheric Administration. Il modello è stato in grado di integrare una moltitudine di misurazioni effettuate nel corso di decenni da satelliti e sensori su navi, fornendo previsioni delle temperature su tutto il corpo dell’oceano, informazioni utili per i modelli climatici globali.
Portare l’AI su droni e reti di sensori
Applicazioni del Senseiver
Il modello Senseiver si adatta perfettamente a una varietà di progetti e aree di ricerca di interesse per il Los Alamos National Laboratory. Hari Viswanathan, ricercatore e coautore dello studio, ha evidenziato come il lavoro svolto permetta di portare i benefici dell’AI su droni e reti di sensori sul campo, applicazioni attualmente al di fuori della portata della tecnologia AI all’avanguardia.
Identificazione di pozzi orfani
Il modello AI sarà particolarmente utile nel lavoro del laboratorio per l’identificazione e la caratterizzazione di pozzi orfani. Il Los Alamos National Laboratory guida il consorzio CATALOG, un programma federale incaricato di localizzare e caratterizzare pozzi orfani non documentati e misurare le loro emissioni di metano. Viswanathan è il principale scienziato di CATALOG.
In conclusione, il modello Senseiver rappresenta un passo avanti significativo nell’impiego dell’intelligenza artificiale in campo, offrendo un approccio efficiente e versatile per la ricostruzione di dati estesi a partire da osservazioni sparse. Il suo impatto potrebbe estendersi ben oltre la ricerca scientifica, influenzando positivamente settori come l’industria, la sanità e l’ambiente.
