هوش مصنوعی مولد در علوم زمین

هوش مصنوعی مولد (GAI) و مدل‌های زبانی بزرگ (LLMs) حوزه‌های نوظهوری هستند که در حال ایجاد تحول در صنایع مختلف، از جمله علوم زمین، می‌باشند. GAI بر ایجاد داده‌ها و خروجی‌های مصنوعی در مُدالیته‌های (حالت‌های) مختلف مانند متن، تصویر و صدا تمرکز دارد و با تولید محتوای جدید از الگوهای آموخته‌شده در داده‌های آموزشی، خلاقیت را تقویت می‌کند. LLMs نوعی از مدل‌های GAI هستند که با استفاده از مجموعه داده‌های بزرگ‌مقیاس ساخته شده‌اند و این امکان را به آن‌ها می‌دهد که با تشخیص الگوها و ایجاد الگوهای مشابه در هنگام دریافت دستور، نتایج عالی تولید کنند. ایده بنیادین مدل‌های مولد به دهه ۱۹۵۰ با مدل‌های ترکیبی گوسی (GMMs) و مدل‌های پنهان مارکوف (HMMs) بازمی‌گردد که در ابتدا در بازشناسی گفتار استفاده می‌شدند و با ظهور یادگیری عمیق، قابلیت‌های آن‌ها به طور قابل توجهی افزایش یافت.

هوش مصنوعی مولد و مدل‌های زبانی بزرگ در علوم زمین

ادغام GAI در علوم زمین نشان‌دهنده یک تغییر پارادایم در نحوه تفسیر و درک دانشمندان علوم زمین از فرآیندهای پیچیده، تعاملی و چندمقیاسی زمین است. این تلفیق فناوری و علم، فرصت‌های بی‌سابقه‌ای برای پیشرفت‌های چشمگیر در این حوزه فراهم می‌کند. هوش مصنوعی، به ویژه مدل‌های یادگیری عمیق، برای مدیریت پیچیدگی و ابهام داده‌های ژئوفیزیکی که اغلب نویزی و ناقص هستند، بسیار مناسب است. این مدل‌ها می‌توانند الگوها و روابطی را شناسایی کنند که ممکن است انسان‌ها به اشتباه تفسیر کنند و این امر منجر به تفسیرهای دقیق‌تر و قابل اعتمادتری می‌شود.

کاربردهای بالقوه در علوم زمین

هوش مصنوعی مولد می‌تواند از طریق قابلیت مدل‌سازی داده‌محور و کمی‌سازی عدم قطعیت، از جنبه‌های مختلف علوم زمین، از جمله تغییرات اقلیمی، علوم شهری، علوم جوی، علوم دریایی و علوم سیاره‌ای پشتیبانی کند. کاربردهای خاص عبارتند از:

• تولید/افزایش داده: GAI می‌تواند نمونه‌های «جدید» برای آموزش مدل‌های هوش مصنوعی (AI) ایجاد کند که این امر به ویژه در کاربردهایی مانند مدل‌سازی مخازن که دانشمندان علوم زمین با نمونه‌های زیرسطحی محدودی سر و کار دارند، مفید است. نمونه‌ها شامل بازسازی محیط‌های متخلخل سه‌بعدی، تولید رخساره‌های مخزن سه‌بعدی با واقع‌گرایی زمین‌شناسی و افزایش داده‌های لرزه‌ای از طریق سنتز شکل‌موج است.
• افزایش تفکیک‌پذیری (Super-resolution) و تیزسازی پانکروماتیک.
• حذف مه و بازیابی تصویر.
• شناسایی تغییرات سطح زمین.
• پیش‌بینی فعالیت‌های لرزه‌ای با تحلیل داده‌های تاریخی که به مدیریت بحران کمک می‌کند.
• اکتشاف منابع: شناسایی مکان‌های بهینه برای استخراج نفت و گاز که کارایی را افزایش داده و اثرات زیست‌محیطی را کاهش می‌دهد.
• مهندسی مخزن: بررسی جریان سیال، عملکرد چاه و داده‌های تولید.
• مشخصه‌یابی و مدل‌سازی مخزن: LLMs می‌توانند حجم عظیمی از داده‌های زمین‌شناسی و ژئوفیزیکی را تحلیل کرده و بینش‌های ارزشمندی برای تصمیم‌گیری ارائه دهند.
• بهینه‌سازی تولید: ارائه تحلیل آنی از داده‌های تولید و پیشنهاد تنظیماتی برای پارامترهای عملیاتی.
• حفاری: تحلیل داده‌های زمین‌شناسی برای پیش‌بینی ریسک‌های حفاری، تعیین پارامترهای بهینه حفاری و نظارت بر عملیات برای شناسایی مشکلات و راه‌حل‌های بالقوه.
• ژئومکانیک: تحلیل داده‌های ژئوفیزیکی برای ارائه اطلاعات در مورد مقاومت و نفوذپذیری سنگ و پیش‌بینی ریسک‌های ژئومکانیکی مانند فرونشست یا لرزه‌خیزی القایی.
• تولید کد: مدل‌های GAI، به ویژه LLMs، می‌توانند به طور خودکار اسکریپت‌های برنامه‌نویسی را از توضیحات سطح بالا تولید کنند.
• کاهش انتشار کربن و گذار به انرژی‌های تجدیدپذیر: کمک به اجرای استانداردهای انطباق برای انتشار کربن با توسعه فرآیندهای تولید پاک‌تر.

مدل‌ها و ابزارهای کلیدی هوش مصنوعی مولد در علوم زمین

مدل GAI متعددی در علوم زمین مورد استفاده قرار می‌گیرند، از جمله شبکه‌های مولد تخاصمی (GANs)، شبکه‌های عصبی آگاه از فیزیک (PINNs) و ساختارهای مبتنی بر مدل‌های زبانی بزرگ (LLM) (شامل مدل‌های مبتنی بر GPT).

شبکه‌های مولد تخاصمی (GANs)

• GANs که در سال ۲۰۱۴ معرفی شدند، شامل دو شبکه عصبی هستند: یک مولد که محتوا تولید می‌کند و یک متمایزکننده که ارزیابی می‌کند آیا محتوا واقعی است یا مصنوعی. این فرآیند یک بازی کمینه-بیشینه تخاصمی ایجاد می‌کند.
• SeismoGen: یک چارچوب مبتنی بر GAN است که با تکمیل داده‌های واقعی زمین با شکل‌موج‌های لرزه‌ای مصنوعی، تشخیص زلزله را بهبود می‌بخشد و قادر است با استفاده از یک GAN شرطی، شکل‌موج‌های سه‌مؤلفه‌ای با چندین برچسب تولید کند.
• ابزارهای GAI برای علوم شهری: ابزارهایی مانند CityGAN ،MetroGAN و RidgeGAN می‌توانند مورفولوژی شهری و ویژگی‌های معماری را برای تولید تصاویر آینده‌نگرانه و شبیه‌سازی توسعه شهری، به ویژه در مناطقی با داده‌های محدود، یاد بگیرند.
• GANs برای مدل‌سازی رخساره‌های زمین‌شناسی: برای تولید مدل‌های زیرسطحی سه‌بعدی با واقع‌گرایی زمین‌شناسی از تعداد محدودی گمانه و دانش پیشین استفاده می‌شود. چارچوب U-Net GAN نیز جایگزینی برای کار با اندازه‌گیری‌های پراکنده است.

شبکه‌های عصبی آگاه از فیزیک (PINNs)

• PINNs نوعی از یادگیری ماشین علمی (SciML) هستند که با ادغام مستقیم قوانین فیزیک (مانند معادلات دیفرانسیل) در تابع زیان شبکه عصبی، روش‌های داده‌محور و مدل‌محور را ترکیب می‌کنند. این امر به PINNs اجازه می‌دهد تا فرآیندهای فیزیکی را به صورت بدون نظارت درک کنند.
• کاربردها شامل حل معادلات دیفرانسیل، پیش‌بینی‌های اقلیمی، حل معادله موج، توموگرافی زمان سیر و حل مسائل معکوس در ژئوفیزیک است.
• PINNs به طور کلی کمتر مستعد توهمات و سوگیری‌ها هستند، زیرا محدودیت‌های فیزیکی، مدل را به سمت نتایج قابل قبول هدایت می‌کنند.

مدل‌های بنیادی (مدل‌های زبانی بزرگ – LLMs)

• این مدل‌ها قادر به مقابله با چالش‌های موجود در مجموعه داده‌های چندوجهی و چندبعدی هستند و از طریق نمایش علمی دانش حوزه علوم زمین، بینش‌هایی را فراهم می‌کنند.
• K2: یکی از اولین LLMs منبع‌باز تخصصی در علوم زمین است که می‌تواند به سوالات پاسخ دهد، در تحقیقات کمک کند و استدلال مبتنی بر دانش انجام دهد.
• GeoChat: یک مدل زبانی بزرگ بصری (Vision LLM) برای سنجش از دور است که در وظایف مختلف تحلیل تصویر ماهواره‌ای مانند شرح تصویر، طبقه‌بندی صحنه و مکالمات مبتنی بر تصویر برتری دارد.
• TimeGPT: اولین مدل بنیادی برای پیش‌بینی سری‌های زمانی است که برای نظارت و تحلیل تغییرات زمانی در سیستم‌های زمین (مانند الگوهای اقلیمی، فعالیت لرزه‌ای) حیاتی است. این مدل می‌تواند پیش‌بینی‌های دقیق بدون نیاز به آموزش قبلی (zero-shot) تولید کرده و ناهنجاری‌ها را تشخیص دهد.

چالش‌های استفاده از هوش مصنوعی مولد در علوم زمین

علی‌رغم پتانسیل بالای GAI، ادغام آن در علوم زمین با چندین چالش مهم روبرو است:

• پیچیدگی داده‌های علوم زمین: پدیده‌های علوم زمین چندمتغیره، غیرخطی (آشوبناک)، ناپایا و حاوی رویدادهای غیرمعمول هستند.
• مشکلات داده‌ها: کمبود داده‌های با کیفیت بالا، بدون سوگیری و برچسب‌دار یک مانع بزرگ است. داده‌های ژئوفیزیکی اغلب بدون ساختار و ناهمگون هستند.
• نیازهای محاسباتی: مدل‌های GAI به قدرت محاسباتی عظیم و مصرف انرژی بالایی نیاز دارند.
• محدودیت‌های مدل:
  • توهمات و سوگیری‌ها: GAI ممکن است به طور ناخواسته اطلاعات نادرست یا سوگیرانه تولید کند.
  • توضیح‌پذیری و قابل اعتماد بودن: مدل‌های GAI که مانند «جعبه سیاه» عمل می‌کنند، فاقد شفافیت هستند که اعتماد به نتایج آنها را برای تصمیم‌گیری‌های حیاتی دشوار می‌کند.
  • موارد استفاده مخرب: این فناوری‌ها می‌توانند برای ایجاد تصاویر ماهواره‌ای جعلی یا سایر داده‌های فریبنده مورد سوءاستفاده قرار گیرند.

راهکارهای کاهش و جهت‌گیری‌های آینده

برای مقابله با این چالش‌ها، چندین استراتژی پیشنهاد می‌شود:

• هوش مصنوعی مسئولانه، توضیح‌پذیر و قابل اعتماد: توسعه مدل‌های شفاف که تصمیمات آنها توسط انسان قابل درک و تفسیر باشد.
• ادغام دانش حوزه: اعمال محدودیت‌های فیزیکی در مدل‌ها (مانند PINNs) برای کاهش نیاز به داده و افزایش استحکام نتایج.
• راهکارهای جایگزین برای داده‌های محدود: استفاده از تکنیک‌هایی مانند یادگیری چند نمونه‌ای (few-shot learning)، یادگیری انتقالی و انطباق دامنه.
• پیشرفت مستمر: تلاش برای طراحی معماری‌های هوش مصنوعی جدید و کارآمد که مقیاس‌پذیری و قابلیت تعمیم بهتری داشته باشند.

اگرچه هوش مصنوعی مولد راه‌حل‌های هوشمندانه‌ای برای بسیاری از چالش‌های فنی در علوم زمین ارائه می‌دهد، اما یک راه‌حل کامل نیست که بتواند جایگزین تجربه و تخصص انسانی شود. تلاش‌های مشترک بین دانشمندان علوم زمین، دانشمندان کامپیوتر و جامعه هوش مصنوعی برای دستیابی به اکتشافات آینده در چالش‌های مبرمی مانند تغییرات اقلیمی، خطرات زیست‌محیطی و پایداری، حیاتی است.

این مطلب بر اساس مقاله حدید و همکاران (2024) تنظیم شده است.