Earth&Climate Tech

Большая языковая модель для наук о Земле K2 Ученые создали первую в мире большую языковую модель, специализированную в области геологии, географии и других наук о Земле. Её назвали K2 - в честь второй по высоте горы на планете. Модель K2 научили отвечать на вопросы и решать задачки по географии и геологии. Для этого ей "дали прочитать" 5.5 миллиарда слов из научных статей и Википедии про науки о Земле. Кроме того, K2 может сама искать нужную информацию в поисковиках и базах данных. Таким образом она становится помощником для геологов и географов в их исследованиях. По сравнению с обычными языковыми моделями, K2 лучше отвечала на вопросы из экзаменов для поступающих в аспирантуру по геологии и географии. Это показывает, что она действительно хорошо "разбирается" в геонауках. Разработчики K2 выложили в открытый доступ все данные и код, которые использовали для её обучения. Это позволит улучшать такие "модели-геологи" и создавать похожие модели для других областей науки. 🔖Статья 🐙Код 🗻Поговорить с K2

Вебинар про геологический водород от геологической службы США Вдруг вам захочется послушать про геологический водород, разведкой которого начали заниматься в последнее время, то можете подключиться в вебинару от геологической службы США (USGS) 19 декабря в 13:00 по Тихоокеанскому времени. Назвние вебинара Geologic Hydrogen: Global Occurrences and Case Studies. Вебинар будет вести Джефф Эллис из Геологической службы США. Экспертный дядька, скажу вам. Он расскажет о природе и происхождении природного водорода, причинах его накопления и эффективных стратегиях разведки, в том числе про геологоразведочные работы вдоль хребта Немаха в центральной части США. Можно ли будет задавать вопросы неизвестно. Ссылка #hydrogen#webinar

Старенькое, но красивое видео восхода планеты под названием Земля, заснятое японским спутником Луны Кагуя 🌒🌎 отсюда Отличной всем недели!

​​Шнобелевская премия по химии и геологии - Почему геологи лижут камни Шнобелевская премия - это пародия на Нобелевскую премию. Она вручается за сомнительные и нелепые достижения в науке. В отличие от Нобелевской премии, категорий довольно много, в том числе есть совместная награда по химии и геологии. В этом году Шнобелевскую премию получил Британский геолог польского происхождения Ян Заласевич за то, что объяснил в своих работах почему геологи лижут горные породы 🪨👅. Вот его эссе🔥. Если вы не знали, то да, полевому геологу только дай волю - все породы испробует. В своей работе Ян рассказал о том почему геоученые начали лизать горные породы, приведя в пример геоученых из XVIII века в полевых дневниках которых всегда были записи о вкусе минералов: бесвкусный, сладковатый, соленый, горький, глинистый. То есть язык выполнял фукцию научного инструмента для определения свойств горной породы. Соль (минерал галит - на картинке), конечно соленая. Но, например, минерал халькантит сладковатый, а эпсомит горький. Сейчас, "лизание пород", конечно утраченное искусство, но и по сей день геологи лижут породы, чтобы выяснить текстуру и структуру последней, т.е. сделать первоначальную классификацию. Язык прилип - значит в породе много порового пространства. Или можно плюнуть на породу, смочив ее, и выяснить некоторые подробности ее строения. Если интересны подробности, то можете почитать само эссе. Однажды ИИ сможет с легкостью идентифицировать породы, но как парадоксально бы это не звучало, даже сейчас язык, глаз и руки геолога остаются более надежным инструментом для определения первичных свойств пород и минералов. Кстати, в этой статье Forbes Essay Explaining Why Geologists Love To Lick Rocks Wins Ig Noble Prize дается обзор эссе победителя премии. Хороших выходных! #fun#Firday#geo

​​Polymathic - междисциплинарный ИИ Ох, какая классная межуниверситетская инициатива - Polymathic🔥. Задача, которую они решают, заключается в создании ИИ моделей, которые используют информацию из наборов данных различных модальностей и разных научных областей, которые не имеют общего представления (например, текста). Такие модели могут использоваться в качестве надежных базовых показателей или можно сделать файн-тьюнинг для конкретных приложений. Такой подход может демократизировать ИИ в науке, предоставляя более сильные априорные модели для общих концепций, таких как причинность, измерение, обработка сигналов, и т.п. В общем история с базовыми и генеративными моделями понемногу адаптируется к научным задачам, за что мы топим тоже 🤘. Реальных проектов пока немного, но есть, например, Multiple Physics Pretraining - подход к разработке больших предобученных физических суррогатных моделей или AstroClip - видимо модель CLIP для астрофизиков. На данный момент кроме команды ученых есть и крутой консультативный совет, например, с Яном Лекуном (Yann LeCun) из Meta AI. #AI#ML

Рассказываем, как исследователи AIRI вместе с коллегами из Sber AI, МГУ и Минералогического музея им. А.Е. Ферсмана создали базу данных для обучения геологических систем ИИ 📈 Ученые создали специализированную базу данных из тысяч изображений образцов горных пород, которая поможет обучать нейросети классифицировать минералы и определять их размер, а также оценивать качество работы алгоритмов компьютерного зрения для задач геологии. Модель MineralImage5k ускорит разработку геологических систем машинного обучения и сделает их работу более качественной за счет преимуществ перед другими, неспециализированными геологическими базами данных и банками изображений. 🖇 Подробнее про исследование можно прочитать на ТАСС Наука и в научной статье в журнале Computers & Geosciences.

Хакатончик от Xeek Two Birds, One Neural Network - так называется новый хакатон от Xeek в области Generative AI. Звучит как-будто нужно сделать свой Dalle-E2, но на самом деле, задача выглядит немного иначе. По условиям хакатона, участникам нужно сделать нейронную сеть, которая максимизирует разнообразие генерируемых результатов, отвечающих двум условиям. Авторы хакатона проводят параллели с добавлением двух геофизических измерений для ограничения сценариев геологических моделей. Буквально, нужно построить нейронную сеть, которая генерирует разнообразные значения x0, x1, сохраняя при этом их природу в виде нисходящих или восходящих прямых линий, удовлетворяющих заданным функциям y1, y2, как показано на картинке. Более подробное описание - тут. Призовой фонд $40К (первое место $19.5K). #hackathon#AI#ML

​​Психею запустили 🚀 Когда-то писал про миссию Психея, которой предстоит исследовать одноименный астероид. Так вот, позавчера запуск наконец-то состоялся! Ракета-носитель Falcon Heavy со станцией на борту успешно стартанула покорять астероид. Станция прибудет к металлическому астероиду только в 2029 году и будет его изучать около 2-х лет. В планах сделать фотографии поверхности, а также определить свойства, состав и структуру астероида. Ну и потом понять целесообразно ли добывать металлы таким образом. Психея это астероид шириной 226 километров где-то между Марсом и Юпитером (в поясе астероидов). Некоторые думают, что Психея почти полностью состоит из металлов (в основном железа и никеля) и даже, оценивали стоимость Психеи в $700 квинтиллионов🤑. Но некоторые ученые, после нескольких проведенных экспериментов, рассуждают намного приземленнее, делая поправку на возможную пористость и большую долю вулканических пород. Это все как раз и предстоит выяснить! #asteroidmining#mining#Psyche

​​Глубокое обучение для поиска промышленно-научных изображений (например, изображений горных пород) Допустим у вас есть база данных микроскопических изображений горных пород с измеренными физическими свойствами. Эта база данных постоянно пополняется. Вы берете новое изображение и хотите 1) найти подобные из миллиона других и 2) оценить физические свойства найденного изображения без дополнительного физического эксперимента. Вот примерно это попытались сделать ученые из Shell в статье Content-based image retrieval for industrial material images with deep learning and encoded physical properties 🔥 Они обучили свою кастомную нейронную сеть оценивать похожесть изображений горных пород, используя сиамские нейронные сети. В дополнение к этому, они натренировали сеть оценивать похожесть мета-данных, например какая пористость или проницаемость, присуща именно этому изображению. В результате получилась история как на картинке -> подаем изображение с измеренными физическими свойствами -> получаем максимально похожие изображение с оцененными физическими свойствами. На картинке 2 желтый - резульатат при использовании архитектуры ResNet-34, фиолетовым - архитектура предложенная авторами. Результат конечно в пользу последней. Авторы предлагают использовать данный подход для всех типов промышленных и научно-исследовательских изображений. Статья📖 Код💻 #paper#ML#AI#Earth

Как использовать машинное обучение для оптимального размещения климатических датчиков Ученые из Великобритании разработали умный алгоритм, который может подсказать, где лучше всего разместить датчики для мониторинга климата в Антарктике. Эта труднодоступная область очень важна для понимания изменений климата, но сеть наблюдений там очень редкая. А установка каждой новой станции обходится дорого. Чтобы оптимизировать размещение датчиков, ученые использовали метод машинного обучения - convolutional Gaussian neural process. Модель проанализировала огромные массивы спутниковых данных об Антарктике, чтобы научиться предсказывать температуру в разных точках континента. Затем алгоритм моделировал, как новые измерения в тех или иных местах уточнят его предсказания. Так он выявлял самые информативные точки для размещения датчиков. В результате модель значительно превзошла другие методы в выборе оптимальных локаций. Это позволит лучше понимать климатические изменения в Антарктике и экономить на развертывании сенсорной сети (а еще этот подход отлично транслируется на другие типы датчиков и локаций). Такой подход - первый шаг к созданию "цифровых двойников" природы. Модели на основе ИИ смогут направлять сбор данных об окружающей среде, чтобы максимально точно её отображать. 🗺️ Статья 🥸Выступление 🌪️ Код

​​Интенсивность выбросов парниковых газов при добыче геологического водорода До добычи геологического водорода еще далековато. Если вообще это когда-нибудь случится 😑. Но профессор Стэнфорда Адам Брандт решил немного заранее посчитать насколько интенсивным с точки зрения выбросов будет возможная добыча геологического водорода. Он опубликовал статью, где приведен оценочный жизненный цикл производства и обработки геологического водорода. Для приблизительной оценки углеродной интенсивности жизненного цикла водорода, профессор использовал основы инженерной физики и химии. В статье описано несколько сценариев. Базовый сценарий включает газ с содержанием водорода на уровне 85 моль%, а также азот (12%) и метан (1,5%), и другие инертные газы (1,5%). Производительность, глубина и другие параметры добычи взяты из данных о бурении природного газа в США на текущий момент. По приведенным расчетам, эксплуатация скважин, сепарация и компрессия газа приводят к интенсивности парниковых газов приблизительно 0,4 кг CO2экв. на килограмм добытого водорода. Прогнозиреутся, что самыми крупными источниками выбросов парниковых газов будут являться неуправляемые потери из системы и выбросы, связанные со строительством скважин и оборудования. В статье также проводится анализ чувствительности, при различных составах газа или методах производства. Результаты наиболее чувствительны к составу газа, в частности, к количеству водорода и метана в исходном потоке газа (на картинке). Статья📖 #hyrdogen#Stanford

Как выходные? Посмотрите "залипательную" анимацию как морские биологи используют фундаментальную модель машинного обучения SAM для выделения глубоководных кораллов. отсюда #ocean#ML#SAM