美国国家航空航天局(NASA)的“野火数字孪生”项目可以为消防员和野火管理者监测野火和预测有害空气污染事件提供一种上佳的工具,也可以帮助研究人员更精确地观测全球野火的趋势。
野火数字孪生工具可以利用人工智能和机器学习实时预测潜在的火灾蔓延路径,可以将来自现场、机载和空间传感器的数据合并起来生成高精度的全球模型。
目前描述野火和烟雾蔓延的传统全球模型的空间分辨率约为每像素10公里,而野火数字孪生生成的区域集合模型的空间分辨率为每像素10-30米,精度提高了两个数量级。而且生成这些模型只需短短几分钟,相较之下,目前传统的全球模型需要几个小时才能生成。
能够以这种速度生成如此高空间分辨率的模型对于急救人员和野火管理者来说将具有巨大的价值,因为他们需要观察和控制动态燃烧事件。
美国马里兰大学巴尔的摩郡分校计算机科学与电子工程系教授Milton Halem是野火数字孪生项目的负责人,该项目的团队由来自六所大学的20多名研究人员组成。
Halem 表示,“我们希望能够为消防员提供有用的、及时的信息。”他补充表示,“在野外一般都没有互联网,也无法使用大型超级计算机,但利用我们的API版模型,他们可以在笔记本电脑甚至平板电脑上运行数字孪生。”
野火数字孪生项目得到了NASA地球科学技术办公室的支持,地球科学技术办公室的最新项目元素名为“支持野火科学、管理和减灾的技术开发”,该项目致力于开发预测和管理野火的新型观测能力,包括地球系统数字孪生等技术。
地球系统数字孪生是一系列用于实时建模和预测气候事件的动态软件工具。这些工具依靠分布在多个领域的数据源创建各种整体预测,包括洪水、恶劣天气等等。
专门用于野火建模的地球系统数字孪生除了可以为急救人员提供帮助以外,对于监测全球野火趋势的科学家来说也很有价值。Halem特别希望野火数字孪生系统能够提高我们研究全球北方耐寒针叶树林野火的能力,北方耐寒针叶树林可以吸收和储存大量的碳。
而当耐寒针叶树林燃烧时,所有的碳都会释放到大气中。一项2023年8月发布的研究发现,北方地区野火的二氧化碳排放量占了2023年当时全球二氧化碳总排放量的 25%。
Halem表示,“北方地区野火产生的二氧化碳排放量之所以逐年增加,原因在于高纬度地区的全球变暖速度比地球其他地区快,因此北方地区的夏季变得更长了。地球其他地区的气温与工业革命前相比可能上升了一摄氏度,北方地区的气温却上升了2摄氏度以上。”
Halem的研究工作建立在其他野火模型的基础上,特别是美国国家航空航天局(NASA)开发的“NASA统一天气研究和预测”(NUWRF)模型以及一个在美国国家科学基金会(National Science Foundation)的支持下的研究小组开发的 WRF-SFIRE 模型。这些模型可以模拟风速和云层等现象,是野火数字孪生系统理想的基础模型。
Halem的团队目前正在研究新的卫星数据同化技术,进而将空间遥感器的信息融合到野火数字孪生系统中,以改进全球数据预报,这对紧急情况和科学任务都非常有用。
Halem的团队去年10月与美国国家林务局的火灾和烟雾模型评估实验(FASMEE)合作进行了首次 FireSense 实地活动。他们在犹他州的一次受控燃烧中利用一台测云仪观测烟雾移动了10多英里的情况。研究小组现在正在将这些数据输入他们的建模软件里,以帮助软件更准确地跟踪烟雾团的移动。
他们对追踪小于2.5微米的颗粒特别感兴趣,这些小颗粒足以通过人的肺部进入血液。这些颗粒又名PM2.5。即使人不在活跃的燃烧源附近,这些颗粒也会造成严重的健康问题。
Halem 表示,“这些火开始燃烧时会产生烟雾,烟雾可以传播相当远的距离。不仅会影响到当地的人,还会影响到几千公里甚至更远地方的人。”
这次受控燃烧产生的数据还可以帮助 Halem 和他的团队量化气溶胶与降水之间的关系。野火造成气溶胶的增加,可以对云的形成产生巨大影响,而云的形成反过来又会影响火灾下游的降水情况。
能够实时从传感器中获取并整合来自传感器的所有信息十分关键,这些信息能够详细描绘野火在当地、所在的区域和全球范围内造成的全面影响。
好文章,需要你的鼓励
这项研究由德累斯顿工业大学等机构的研究团队完成,旨在解决主动学习未被广泛应用的问题。研究者构建了包含460万种超参数组合的实验网格,系统分析了各参数对主动学习性能的影响。研究发现,不同策略实现间存在显著差异,基于边缘的不确定性策略整体表现最佳,随机选择约4000个超参数组合即可获得可靠结果。这些发现为设计可重现、可信赖的主动学习实验提供了明确指导,有助于降低入门门槛,促进技术在实际应用中的普及。
这项由英国爱丁堡大学和上海人工智能实验室研究者共同完成的工作提出了LongBioBench,一种用于评估长文本语言模型的新型基准测试框架。通过使用人工生成的虚构人物传记作为测试环境,该框架在保持可控性的同时,提供了更真实的评估场景。研究对18个长文本模型的测试表明,即使最先进的模型在检索、推理和可信任性方面仍存在显著挑战,特别是上下文长度增加时。研究还揭示了现有合成基准测试的设计缺陷和长上下文预训练的局限性,为未来模型开发提供了重要指导。
SuperWriter是一项来自新加坡科技设计大学和清华大学的突破性研究,通过模仿人类"先思考后写作"的过程,彻底改良了AI长文生成能力。该研究团队开发的框架包含三个关键阶段:规划、写作和修改,使AI能像专业作家一样进行结构化思考。实验结果表明,经过训练的SuperWriter-LM模型不仅超越同等规模的所有AI模型,甚至在某些领域表现优于规模更大的顶级模型,为AI辅助写作开创了新的可能性。
香港大学与阿里巴巴达摩院合作开发的LayerFlow是一种突破性的层级视频生成技术,能同时生成透明前景、完整背景和混合场景视频。该技术通过创新的框架设计将不同视频层级作为子片段连接,并引入层级嵌入使模型区分各层级。面对高质量训练数据稀缺的挑战,研究团队设计了三阶段训练策略,结合Motion LoRA和Content LoRA,实现了图像和视频数据的联合训练。LayerFlow不仅支持多层视频生成,还能实现视频分解和条件层生成,为视频创作领域带来革命性变革。