วิธีการนี้อาจช่วยให้ชุมชนมองเห็นและเตรียมพร้อมรับมือกับพายุที่กำลังจะมาถึง
The method could help communities visualize and prepare for approaching storms.
เครื่องมือ AI ใหม่สร้างภาพดาวเทียมสมจริงของน้ำท่วมในอนาคต
การมองเห็นผลกระทบที่อาจเกิดขึ้นจากพายุเฮอริเคนต่อบ้านเรือนก่อนที่พายุจะมาถึงสามารถช่วยให้ผู้อยู่อาศัยเตรียมตัวและตัดสินใจว่าจะอพยพหรือไม่
นักวิทยาศาสตร์จาก MIT ได้พัฒนาวิธีการที่สามารถสร้างภาพดาวเทียมจากอนาคต เพื่อแสดงให้เห็นว่าพื้นที่หนึ่งจะมีลักษณะอย่างไรหลังจากเกิดน้ำท่วม วิธีการนี้ผสานโมเดลปัญญาประดิษฐ์แบบ Gen AI เข้ากับโมเดลน้ำท่วมที่อิงตามกฎฟิสิกส์เพื่อสร้างภาพมุมมองจากเบื้องบนที่สมจริง แสดงให้เห็นบริเวณที่น้ำท่วมมีแนวโน้มจะเกิดขึ้นตามความรุนแรงของพายุที่กำลังจะมา
ในกรณีศึกษา ทีมงานได้ทดลองใช้วิธีการนี้กับเมืองฮิวสตัน โดยสร้างภาพดาวเทียมที่แสดงให้เห็นสถานที่บางแห่งในเมืองหลังพายุที่มีความรุนแรงเทียบเท่ากับเฮอริเคนฮาร์วีย์ซึ่งพัดถล่มในปี 2017 ทีมงานเปรียบเทียบภาพที่สร้างขึ้นกับภาพดาวเทียมจริงที่ถ่ายในพื้นที่เดียวกัน หลังจากที่เฮอริเคนฮาร์วีย์พัดถล่ม นอกจากนี้ยังเปรียบเทียบภาพที่สร้างจาก AI ซึ่งไม่รวมโมเดลน้ำท่วมที่อิงตามกฎฟิสิกส์
วิธีการที่เสริมด้วยกฎฟิสิกส์ของทีมงานสามารถสร้างภาพดาวเทียมของน้ำท่วมในอนาคตที่สมจริงและแม่นยำกว่า ในทางตรงกันข้าม วิธีที่ใช้เพียง AI สร้างภาพน้ำท่วมในบริเวณที่ทางฟิสิกส์ไม่สามารถเกิดน้ำท่วมได้
วิธีการของทีมงานนี้เป็นการพิสูจน์แนวคิด โดยมุ่งแสดงให้เห็นว่าการจับคู่โมเดล Gen AI กับโมเดลที่อิงตามกฎฟิสิกส์สามารถสร้างเนื้อหาที่สมจริงและน่าเชื่อถือได้ หากต้องการนำวิธีนี้ไปใช้ในภูมิภาคอื่นเพื่อแสดงภาพน้ำท่วมจากพายุในอนาคต จะต้องฝึก AI ด้วยภาพดาวเทียมจำนวนมากขึ้นเพื่อเรียนรู้ว่าน้ำท่วมในภูมิภาคอื่นจะมีลักษณะอย่างไร
แนวคิดคือ วันหนึ่งเราอาจใช้สิ่งนี้ก่อนเกิดพายุเฮอริเคน สร้างภาพสถานการณ์ล่วงหน้า สำหรับการคาดการณ์ เพื่อใช้บริหารจัดการประชาชน Björn Lütjens นักวิจัยหลังปริญญาเอกในภาควิชาวิทยาศาสตร์โลก บรรยากาศ และดาวเคราะห์ของ MIT ซึ่งเป็นผู้นำงานวิจัยนี้ขณะยังเป็นนักศึกษาปริญญาเอกในภาควิชาการบินและอวกาศ (AeroAstro) ของ MIT กล่าว หนึ่งในความท้าทายที่ใหญ่ที่สุดคือการกระตุ้นให้ผู้คนอพยพเมื่อพวกเขาอยู่ในความเสี่ยง วิธีนี้อาจเป็นอีกหนึ่งการประเมินสถานการณ์ล่วงหน้า ที่ช่วยเพิ่มความพร้อมนั้น
เพื่อแสดงศักยภาพของวิธีการใหม่ที่พวกเขาเรียกว่า “Earth Intelligence Engine” ทีมงานได้ออกแบบให้ผู้ที่สนใจสามารถใช้งานออนไลน์
นักวิจัยรายงานผลการวิจัยในวันนี้ในวารสาร IEEE Transactions on Geoscience and Remote Sensing โดยผู้ร่วมวิจัยจาก MIT รวมถึง Brandon Leshchinskiy, Aruna Sankaranarayanan และ Dava Newman ศาสตราจารย์ด้าน AeroAstro และผู้อำนวยการ MIT Media Lab พร้อมด้วยผู้ร่วมงานจากหลายสถาบัน
ภาพที่สร้างจาก Generative adversarial images
งานวิจัยใหม่นี้เป็นส่วนขยายของความพยายามของทีมในการใช้เครื่องมือ Gen AI เพื่อจำลองสถานการณ์ภูมิอากาศในอนาคต
“การให้มุมมองเฉพาะพื้นที่ในระดับสูงเกี่ยวกับภูมิอากาศดูเหมือนจะเป็นวิธีที่มีประสิทธิภาพที่สุดในการสื่อสารผลการวิจัยทางวิทยาศาสตร์ของเรา” Dava Newman ผู้เขียนอาวุโสของงานวิจัยกล่าว ผู้คนมักเชื่อมโยงกับรหัสไปรษณีย์ของตนเอง สภาพแวดล้อมท้องถิ่นที่ครอบครัวและเพื่อนอาศัยอยู่ การจำลองภูมิอากาศในท้องถิ่นจึงกลายเป็นเรื่องที่เข้าใจง่าย เป็นส่วนตัว และเชื่อมโยงกับรหัสไปรษณีย์ของตนเอง
สำหรับการศึกษานี้ ผู้เขียนใช้เครือข่ายปัญญาประดิษฐ์ประเภท conditional generative adversarial network หรือ GAN ซึ่งเป็น machine learning method วิธีการเรียนรู้ของเครื่องที่สามารถสร้างภาพสมจริงโดยใช้ neural networks สองเครือข่ายที่ทำงานประสานกัน หรือเป็น adversarial neural networks เครือข่ายแรกคือ generator network ที่ได้รับการฝึกด้วยข้อมูลจริง เช่น ภาพดาวเทียมก่อนและหลังพายุเฮอริเคน เครือข่ายที่สองคือ discriminator network ตัวแยกแยะที่ได้รับการฝึกให้แยกแยะระหว่างภาพดาวเทียมจริงกับภาพที่เครือข่ายตัวสร้างสร้างขึ้น
แต่ละเครือข่ายจะปรับปรุงประสิทธิภาพโดยอัตโนมัติจากคำติชมของอีกเครือข่าย แนวคิดก็คือการผลักและดึงของทั้งสองเครือข่ายควรนำไปสู่การสร้างภาพสังเคราะห์ที่ไม่สามารถแยกออกจากของจริงได้ อย่างไรก็ตาม GAN อาจสร้างสิ่งที่เรียกว่า “ภาพหลอน” (hallucinations) หรือองค์ประกอบที่ผิดพลาดในภาพสมจริง ซึ่งไม่ควรจะมีอยู่
“ภาพหลอนอาจทำให้ผู้ชมเข้าใจผิด” Lütjens กล่าว ซึ่งเริ่มสงสัยว่าสามารถหลีกเลี่ยงภาพหลอนเหล่านี้ได้หรือไม่ เพื่อให้เครื่องมือ Gen AI มีความน่าเชื่อถือในการช่วยให้ข้อมูลกับผู้คน โดยเฉพาะในสถานการณ์ที่มีความเสี่ยง “เราคิดว่าเราจะใช้โมเดล Gen AI เหล่านี้ในบริบทของผลกระทบจากภูมิอากาศได้อย่างไร โดยที่ยังคงมีแหล่งข้อมูลที่น่าเชื่อถือ”
Flood hallucinations
ในการศึกษาครั้งใหม่นี้ นักวิจัยได้พิจารณาสถานการณ์ที่มีความเสี่ยง ซึ่ง AI ถูกมอบหมายให้สร้างภาพดาวเทียมของน้ำท่วมในอนาคตที่น่าเชื่อถือพอที่จะใช้ในการตัดสินใจเตรียมการและอพยพผู้คนออกจากพื้นที่เสี่ยง
โดยทั่วไป ผู้กำหนดนโยบายสามารถคาดเดาว่าน้ำท่วมจะเกิดขึ้นที่ไหนจากภาพแสดงผลแบบแผนที่รหัสสี ซึ่งแผนที่เหล่านี้เป็นผลผลิตสุดท้ายของกระบวนการสร้างแบบจำลองทางฟิสิกส์ โดยเริ่มต้นจากแบบจำลองเส้นทางพายุเฮอริเคนที่ป้อนเข้าสู่แบบจำลองลมเพื่อจำลองรูปแบบและความแรงของลมในพื้นที่ท้องถิ่น จากนั้นจึงผสานกับแบบจำลองน้ำท่วมหรือคลื่นพายุซัดฝั่ง ซึ่งพยากรณ์ว่าน้ำจะถูกผลักขึ้นฝั่งอย่างไร แบบจำลองไฮดรอลิกจะวางแผนบริเวณน้ำท่วมตามโครงสร้างพื้นฐานในท้องถิ่น และสร้างแผนที่รหัสสีที่แสดงระดับน้ำท่วมในภูมิภาคเฉพาะ
“คำถามคือ: การจำลองภาพดาวเทียมสามารถเพิ่มระดับใหม่ที่มีความชัดเจนและส่งผลต่ออารมณ์ได้มากกว่าแผนที่รหัสสีที่มีเฉดสีแดง เหลือง และน้ำเงิน ในขณะที่ยังคงความน่าเชื่อถือได้หรือไม่” Lütjens กล่าว
ทีมวิจัยเริ่มต้นด้วยการทดสอบว่า Gen AI เพียงอย่างเดียวจะสามารถสร้างภาพดาวเทียมของน้ำท่วมในอนาคตได้อย่างไร พวกเขาฝึก GAN ด้วยภาพดาวเทียมจริงที่ถ่ายโดยดาวเทียมขณะผ่านเมืองฮิวสตันก่อนและหลังพายุเฮอริเคนฮาร์วีย์ เมื่อลองให้ตัวสร้าง (generator) สร้างภาพน้ำท่วมใหม่ในพื้นที่เดียวกัน พบว่าภาพที่ได้มีความคล้ายคลึงกับภาพดาวเทียมทั่วไป แต่เมื่อพิจารณาอย่างละเอียดพบว่าบางภาพมี “ภาพหลอน” (hallucinations) เช่น น้ำท่วมในบริเวณที่ไม่ควรมีน้ำท่วม (เช่น พื้นที่ที่มีความสูงมาก)
เพื่อแก้ปัญหาภาพหลอนและเพิ่มความน่าเชื่อถือของภาพที่สร้างขึ้น ทีมวิจัยได้จับคู่ GAN กับโมเดลน้ำท่วมที่อิงตามกฎฟิสิกส์ ซึ่งรวมพารามิเตอร์และปรากฏการณ์ทางกายภาพจริง เช่น เส้นทางของพายุเฮอริเคน คลื่นพายุซัดฝั่ง และรูปแบบน้ำท่วม ด้วยวิธีที่เสริมด้วยกฎฟิสิกส์นี้ ทีมงานสามารถสร้างภาพดาวเทียมรอบเมืองฮิวสตันที่แสดงขอบเขตน้ำท่วมตรงตามที่โมเดลน้ำท่วมพยากรณ์ไว้แบบพิกเซลต่อพิกเซล
“เรานำเสนอวิธีที่ชัดเจนในการผสานการเรียนรู้ของเครื่องกับฟิสิกส์สำหรับกรณีการใช้งานที่มีความเสี่ยง ซึ่งจำเป็นต้องวิเคราะห์ความซับซ้อนของระบบโลกและคาดการณ์การกระทำในอนาคตและสถานการณ์ที่อาจเกิดขึ้น เพื่อให้ผู้คนปลอดภัย” Newman กล่าว “เราตื่นเต้นที่จะนำเครื่องมือ Gen AI ของเราไปสู่มือของผู้กำหนดนโยบายในระดับชุมชนท้องถิ่น ซึ่งอาจสร้างความแตกต่างอย่างมีนัยสำคัญและอาจช่วยชีวิตคนได้”
งานวิจัยนี้ได้รับการสนับสนุนบางส่วนจาก MIT Portugal Program, DAF-MIT Artificial Intelligence Accelerator, NASA และ Google Cloud