人工智能的新变化充分利用了稀疏的传感器数据

人工智能 (AI) 的创新方法能够使用低功率“边缘”从少量现场部署传感器重建广泛的数据，例如总体海洋温度计算，在工业、科学和医学领域有着广泛的应用。

“我们开发了一种神经网络，使我们能够以非常紧凑的方式表示一个大型系统，”将计算科学应用于地球物理问题的洛斯阿拉莫斯国家实验室研究员哈维尔桑托斯说。“这种紧凑性意味着与最先进的卷积神经网络架构相比，它需要更少的计算资源，使其非常适合无人机、传感器阵列和其他边缘计算应用程序的现场部署，使计算更接近其最终用途”。

新颖的人工智能方法提高计算效率

桑托斯是洛斯阿拉莫斯研究小组在《自然机器智能》杂志上发表的一篇论文的第一作者，该论文涉及新颖的人工智能技术，他们将其称为 Senseiver。这项工作建立在谷歌开发的名为 Perceiver IO 的人工智能模型之上，将 ChatGPT 等自然语言模型的技术应用于从相对较少的测量中重建有关广阔区域(例如海洋)的信息的问题。

该团队意识到该模型因其高效而将具有广泛的应用。“使用更少的参数和更少的内存需要计算机上更少的中央处理单元周期，因此它在较小的计算机上运行得更快，”该论文的合著者、将机器学习应用于地球科学问题的洛斯阿拉莫斯研究员 Dan O'Malley 说。

在已发表的文献中，桑托斯和他的洛斯阿拉莫斯同事首次验证了该模型，证明了该模型对真实世界的稀疏数据集(即从仅覆盖感兴趣领域的一小部分的传感器获取的信息)和复杂数据集的有效性。三维流体的数据集。

在演示 Senseiver 的现实世界实用性时，该团队将该模型应用于国家海洋和大气管理局的海面温度数据集。该模型能够整合数十年来从卫星和船上传感器获得的大量测量结果。根据这些稀疏点测量，该模型可以预测整个海洋的温度，这为全球气候模型提供了有用的信息。

将人工智能引入无人机和传感器网络

Senseiver 非常适合洛斯阿拉莫斯感兴趣的各种项目和研究领域。

洛斯阿拉莫斯国家实验室的哈里·维斯瓦纳坦 (Hari Viswanathan) 表示：“洛斯阿拉莫斯拥有广泛的遥感能力，但使用人工智能并不容易，因为模型太大，不适合现场设备，这导致我们转向边缘计算。”实验室研究员、环境科学家和有关 Senseiver 的论文的合著者。“我们的工作将人工智能的优势带给无人机、现场传感器网络以及目前尖端人工智能技术无法企及的其他应用。”

人工智能模型对于实验室识别和描述孤井的工作特别有用。该实验室领导着由能源部资助的联盟推进失落油气井评估技术 (CATALOG)，这是一项联邦计划，其任务是定位和描述无证孤井并测量其甲烷排放量。Viswanathan 是 CATALOG 的首席科学家。

该方法为大型实际应用提供了改进的功能，例如自动驾驶汽车、石油和天然气资产的远程建模、患者的医疗监测、云游戏、内容交付和污染物追踪。