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 ИИОх, 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