Une nouvelle approche utilisant des modèles de langage naturel étend l’utilisation de l’intelligence artificielle dans l’informatique de pointe. Grâce à une technologie avancée d’intelligence artificielle (IA), de grands ensembles de données, comme la température des océans, peuvent être reconstruits avec seulement un très petit nombre de capteurs déployés sur le terrain. Cette approche exploite l'informatique « de pointe » économe en énergie et présente un large éventail d'utilisations potentielles dans divers domaines, notamment l'industrie, la recherche scientifique et la santé.
Javier Santos, chercheur au Laboratoire national de Los Alamos, a déclaré : « Nous avons développé un réseau neuronal qui nous permet de représenter un grand système de manière très compacte. Cette compacité signifie qu'il nécessite moins de ressources informatiques que les architectures de réseau neuronal convolutionnel de pointe, ce qui le rend idéal pour le déploiement sur le terrain sur des drones, des réseaux de capteurs et d'autres applications informatiques de pointe, rapprochant ainsi l'informatique de son utilisation finale.
Une nouvelle approche de l’intelligence artificielle améliore l’efficacité informatique
Santos est le premier auteur d'un article publié dans Nature Machine Intelligence par une équipe de chercheurs de Los Alamos qui appelle cette nouvelle technologie d'intelligence artificielle Senseiver. Ce travail s'appuie sur PerceiverIO, un modèle d'intelligence artificielle développé par Google, et applique la technologie des modèles de langage naturel tels que ChatGPT au problème de la reconstruction d'informations sur de vastes zones (comme les océans) à partir de quantités relativement petites de données de mesure.
L'équipe de recherche s'est rendu compte que le modèle avait de larges perspectives d'application en raison de sa grande efficacité. "Utiliser moins de paramètres et moins de mémoire nécessite moins de cycles d'unité centrale de traitement, ce qui permet de fonctionner plus rapidement sur des ordinateurs plus petits", a déclaré Dan O'Malley, co-auteur de l'article et chercheur à Los Alamos.
Dans la première validation publiée du modèle, Santos et ses collègues de Los Alamos ont démontré son efficacité sur des ensembles de données éparses du monde réel (ce qui signifie que les informations obtenues à partir des capteurs ne couvrent qu'une très petite partie de la zone d'intérêt) et sur des ensembles de données complexes de fluides tridimensionnels.
Dans une démonstration de l'utilité de Senseiver dans le monde réel, l'équipe a appliqué le modèle à l'ensemble de données sur la température de surface de la mer de la National Oceanic and Atmospheric Administration. Le modèle est capable d’intégrer des décennies de grandes quantités de données de mesure obtenues à partir de satellites et de capteurs embarqués. À partir de ces mesures ponctuelles éparses, le modèle prédit les températures à travers l’océan, fournissant ainsi des informations utiles aux modèles climatiques mondiaux.
Apporter l’intelligence artificielle aux drones et aux réseaux de capteurs
Senseiver est bien adapté à la variété de projets et de domaines de recherche d’intérêt pour Los Alamos.
"Los Alamos dispose de capacités étendues de télédétection, mais utiliser l'IA n'est pas facile car les modèles sont trop grands pour tenir sur des appareils sur le terrain, ce qui nécessite une informatique de pointe", a déclaré Hari Viswanathan, chercheur au Laboratoire national de Los Alamos, scientifique environnemental et co-auteur de l'article Senseiver. "Notre travail apporte les avantages de l'IA aux drones, aux réseaux de capteurs sur le terrain et à d'autres applications qui sont actuellement hors de portée de la technologie d'IA de pointe."
Les modèles d'IA sont particulièrement utiles dans les travaux du laboratoire d'identification et de caractérisation des puits non entretenus. Le laboratoire dirige le Consortium financé par le ministère de l'Énergie pour évaluer la technologie des puits de pétrole et de gaz perdus (CATALOG), un programme fédéral chargé d'identifier l'emplacement et les caractéristiques des puits non documentés et non entretenus et de mesurer leurs émissions de méthane. Viswanathan est le scientifique en chef de CATALOG.
Cette approche offre des capacités améliorées pour des applications pratiques à grande échelle telles que les véhicules autonomes, la modélisation à distance des actifs pétroliers et gaziers, la surveillance médicale des patients, les jeux dans le cloud, la diffusion de contenu et le suivi des contaminants.