Le golfe du Mexique, un océan régional, est étreint par le sud-est des États-Unis et une grande partie de la côte mexicaine, ce qui le rend très important pour les deux pays. La région aide à amener des marchandises sur les marchés locaux et mondiaux, produit de l'énergie pour le pays avec des plates-formes pétrolières offshore et accueille une myriade de plages dignes de vacances – ainsi modéliser et prédire sa dynamique est une tâche critique.
La recherche de mathématiciens appliqués à l'Université de Californie à Santa Cruz, présente de nouvelles méthodes propulsées par l'IA pour modéliser le golfe. Ils atteignent une précision plus élevée que les modèles traditionnels pour les prédictions à court terme et imitent avec succès la dynamique à 10 ans sans «hallucination» de l'IA – un scénario physiquement impossible.
Cette recherche est le résultat d'une collaboration entre la UC Santa Cruz Baskin School of Engineering Researchers dirigée par le professeur adjoint de mathématiques appliquées Ashsh Chattopadhyay, le partenaire de l'industrie Fujitsu's Convergeing Technologies Laboratory et un groupe de recherche à la North Carolina State University. Leur travail est publié dans le Journal of Geophysical Research: Machine Learning and Computation.
Ce travail fait avancer la gestion critique des ressources naturelles aux États-Unis et au Mexique, et fait progresser la technologie pour modéliser les flux du golfe à travers le monde – une caractéristique majeure des océans mondiaux – et démontre l'efficacité d'amélioration de l'IA dans les sciences de la Terre.
« La capacité de résoudre correctement le Gulf Stream et sa dynamique a été un défi ouvert depuis de nombreuses années dans l'océanographie », a déclaré Chattopadhyay. « C'est pourquoi le golfe du Mexique devient un cas de test important chaque fois que nous essayons d'évaluer de nouveaux algorithmes et de nouveaux modèles pour la dynamique régionale régionale haute résolution. »
La collaboration de l'équipe entre les universitaires et l'industrie vise à préparer les produits de leurs recherches pour une utilisation réelle.
« Les émulateurs océaniques développés avec UC Santa Cruz offrent une combinaison de vitesse, de précision et de conception légère qui permet une intégration opérationnelle transparente dans les plateformes maritimes », a déclaré Subhashis Hazarika, chercheur principal chez Fujitsu Research of America.
« Cela prend en charge la conception interactive du système pour les applications allant de la gestion des opérations portuaires pour expédier le routage météorologique et la surveillance des événements extrêmes. Notre collaboration avec UC Santa Cruz marque une étape importante vers l'introduction de modèles AI-for-pour-sciences rigoureusement validés dans des applications industrielles réelles. »
Modélisation du golfe
Le golfe du Mexique accueille d'importantes industries maritimes comme la production d'énergie et l'expédition de fret, faisant de la modélisation de cette région un problème de sécurité et économique important. De grands tourbillons de la rupture du Gulf Stream dans ce domaine, créant des vagues voyous qui frappent parfois les zones où les gens travaillent sur des plates-formes pétrolières – il est donc extrêmement important de pouvoir modéliser ces vagues et autres dynamiques.
Il a toujours été très difficile de modéliser les océans régionaux, en particulier dans les zones proches de la côte. Les vagues s'écraser près du rivage, ainsi que d'autres facteurs, rendent le complexe de mesure et de modélisation.
Les outils traditionnels pour la modélisation des océans, qui sont toujours l'étalon-or de l'industrie, sont des modèles à haute résolution, basés sur la physique qui sont chers, affamés de puissance et relativement lents – et pas toujours très précis.
Les modèles d'IA nécessitent plus d'investissement à l'avance pour s'entraîner, mais fonctionnent jusqu'à 100 000 fois plus rapidement que les modèles traditionnels. L'IA a également été limitée par les «hallucinations», lorsque les modèles s'éloignent de la vraie dynamique physique lors de la dynamique émulante à de longues échelles de temps. Les travaux de Chattopadhyay se concentrent sur l'élimination des hallucinations en intégrant la physique dans les modèles d'IA, en particulier pour mieux capturer des dynamiques qui sont physiquement plus petites et se produisent sur une échelle de temps plus courte.
Zoomer
Pour ce faire, l'équipe de recherche a construit un modèle d'IA qui fonctionne avec deux composantes principales. On prend une vision de « zoom out », en se concentrant sur les événements océaniques qui peuvent être observés à partir de huit kilomètres de résolution, et se produisent sur des délais plus longs. Le deuxième composant prend ces prédictions zoomées et les améliore à quatre kilomètres de résolution.
Chattopadhyay a comparé ce processus, appelé «réduction d'échelle», pour zoomer l'amélioration d'une photo.
« Vous pouvez prendre une vieille image et l'améliorer, améliorant essentiellement la qualité et la résolution à l'aide d'un modèle génératif », a déclaré Chattopadhyay. « Nous utilisons essentiellement la même technologie ici pour être en mesure de réduire les prédictions à quatre kilomètres, et nous nous assurons que nous ne nous améliorons pas seulement de manière irréaliste. »
En utilisant cette technique, l'équipe a constaté que son système avait de meilleures performances que les modèles traditionnels basés sur la physique à des échelles de temps plus courtes, comme faire des prédictions 30 jours à l'avance, ce qui trait les modèles traditionnels très précis.
De plus, ils ont constaté que leurs modèles peuvent imiter jusqu'à 10 ans à l'avance sans aucune hallucination. L'équipe a réalisé cela en intégrant rigoureusement les contraintes physiques dans les émulations «zoomées», un effort mené par l'étudiant diplômé Leonard Lupin-Jimenez.
Chattopadhyay dit que la précision améliorée de leur système correspond à une tendance plus importante de modèles d'IA dans les sciences, battant les modèles traditionnels.
« Je pense que c'était l'un de ces cas, et cela s'est produit de plus en plus dans ce domaine de l'IA et de la science, que les modèles d'IA commencent à surpasser les modèles basés sur la physique », a déclaré Chattopadhyay.
Collaboration pour l'impact en mer
Plusieurs des diplômés de Chattopadhyay sont organisés par le laboratoire Convergeging Technologies de Fujitsu comme une collaboration continue pour soutenir la recherche interdisciplinaire – un partenariat unique entre les sciences physiques / universitaires et l'industrie.
Lupin-Jimenez a passé du temps dans l'entreprise pour se concentrer sur ce projet sous le mentorat de Subhashis Hazarika et Anthony Wong de Fujitsu, et ensemble, ils ont façonné le travail à la fois à la recherche et à l'usage opérationnel.
« Il y avait une bonne quantité de liberté à pouvoir expérimenter différentes méthodes, le traitement et les cadres de pipeline pour voir ce qui fonctionne le mieux », a déclaré Lupin-Jimenez.
Tout au long du processus, ils ont souligné que le logiciel est aussi utile que possible, ce qui signifiait que le système fonctionne sur un navire en mer.
« Cela va en fait se traduire par des utilisateurs finaux qui pourraient ne pas être des experts en physique ou des experts en IA, mais ils veulent toujours pouvoir faire cette modélisation », a déclaré Chattopadhyay. « Dans notre groupe, nous essayons de garder nos recherches alignées sur les besoins du marché et de l'industrie, en particulier avec l'IA, afin que la recherche et les outils prêts à la mise en marché ne soient pas divorcés. »
