图神经网络预测闪燃以拯救消防员生命

根据本周发表的新的研究论文结果，人工智能可以预测火灾中发生的闪燃，从而帮助拯救消防员的生命。

当房间里的可燃材料突然开始全部燃烧，闪燃就会发生，闪燃导致巨大的热量和可燃气体激增，因而墙壁及爆裂窗户可能会突然破裂。在2008年至2018年的10年期间，美国约有800名消防员在工作中死亡，超过32万名消防员受伤，据估计，其中13%的事故是闪燃事件造成的。

消防员必须依靠他们的经验预测闪燃是否即将会发生，例如根据烟雾和热量的水平进行判断，但烟雾和热量水平的变化可能极快，要做出正确的判断并不容易。在过去的20年里，计算机科学家一直在试图开发能够实时检测闪燃的方法，不过要针对如此不稳定的东西进行建模是一项困难的任务。

最近，来自美国政府国家标准与技术研究所（NIST）、谷歌以及香港理工大学和中国石油大学的研究人员利用图神经网络（GNN）的系统从模拟火灾中学习不同数据来源之间的关系，对应的图的节点和边表示数据来源之间的关系。

该项研究论文的共同第一作者、香港理工大学的研究助理教授Eugene Yujun Fu在一份声明中表示，“GNN经常用于估计到达时间（ETA），在分析道路交通时可能要处理涉及10到50条不同道路的信息。”

他表示，“在类似的情况下要同时正确利用这种信息非常复杂，所以我们产生了利用GNN的想法。只是在我们的应用里，我们的研究对象是房间而不是道路，我们预测的是闪燃事件而不是道路交通里的ETA。”

该团队模拟了各种数据，涉及到建筑布局、表面材料、火灾条件、通风配置、烟雾探测器的位置和房间的温度曲线等等，进而针对17种不同建筑类型的41,000次假火灾进行建模。训练模型一共用了25,000个火灾案例，剩下的16,000个案例则用于模型的微调和测试。

GNN的性能评估基于得到的模型是否能够正确预测未来30秒内发生的闪燃事件。初步结果显示，该模型的准确率最高可达92.1%。

该系统名为FlashNet，比该团队之前的机器学习模型P-Flash更加先进。

论文的共同第一作者、NIST机械工程师Wai Cheong Tam表示，“我们以前的模型只需要考虑一个布局中的四个或五个房间，但是当布局换成13或14个房间时，对以前的模型模型来说可能是一场噩梦。我们认为对于现实世界的应用，关键是要换成一个适用于许多不同建筑的通用模型。”

FlashNet可能看起来可以得到很不错的结果，但仍需要用来自真实火灾救援的数据进行测试。Tam告诉记者，所以需要利用该模型分析来自智能家居中的恒温器、一氧化碳和烟雾探测器的数据。目前还不清楚如何用模型的预测结果来提醒消防员。

Tam表示，“该项研究的重点基于现有建筑传感器提供的或可以很容易提供的建筑数据。将该研究结果转化为现实应用的一种方法是将该模型整合到智能火灾报警控制面板中，控制面板可以从装好的热探测器中收集温度数据，可以安装一个计算机模块，用于处理数据并进行实时预测。”

Tam还表示，“预测结果可以从火灾报警控制面板或其他合适的设备发送给消防现场指挥官，有必要时也可以发送给现场的消防员。至于如何提供这种预测性分析的确切机制尚无定论，这需要消防部门的帮助才能形成共识。”