در اطفای حریق، بدترین شعله ها آنهایی هستند که آمدنشان را نمی بینید . در میان هرج و مرج یک ساختمان در حال سوختن، به سختی می توان به نشانه های برق گرفتگی قریب الوقوع توجه کرد – یک پدیده آتش سوزی مرگبار که در آن تقریباً تمام اقلام قابل احتراق در یک اتاق به طور ناگهانی مشتعل می شوند. اما تحقیقات جدید نشان می‌دهد که هوش مصنوعی (AI) می‌تواند اطلاعات لازم را ارائه دهد.
محققان موسسه ملی استاندارد و فناوری (NIST)، دانشگاه پلی تکنیک هنگ کنگ یک مدل شبکه عصبی پیش بینی فلش اوور (فلش نت ) برای وقایع مرگبار چند ثانیه قبل از فوران ایجاد کرده‌اند. در یک مطالعه جدید منتشر شده ، فلش نت دقت ۹۲.۱ درصدی را در بیش از دوجین پلان مسکونی رایج در ایالات متحده نشان داد و در هنگام تقابل با سایر فلاشورهای مبتنی بر هوش مصنوعی در صدر قرار گرفت.
فلاش اوورها به طور ناگهانی در حدود ۶۰۰ درجه سانتیگراد (۱۱۰۰ درجه فارنهایت) شعله ور می شوند و سپس می توانند باعث افزایش بیشتر دما شوند. برای پیش‌بینی این رویدادها، ابزارهای تحقیقاتی موجود یا بر جریان‌های ثابتی از داده‌های دما از ساختمان‌های در حال سوختن تکیه می‌کنند یا از یادگیری ماشینی برای پر کردن داده‌های از دست رفته در صورت تسلیم شدن آشکارسازهای گرما به دمای بالا استفاده می‌کنند.
تاکنون، بیشتر ابزارهای پیش‌بینی مبتنی بر یادگیری ماشین، برای کار در یک محیط واحد و آشنا آموزش دیده‌اند. در واقع، آتش نشان ها چنین امکانی را ندارند. همانطور که آنها وارد قلمرو متخاصم می شوند، ممکن است در مورد پلان طبقه، محل آتش سوزی یا باز یا بسته بودن درها اطلاعات کمی داشته باشند.
وای چئونگ تام، مهندس مکانیک NIST، گفت: «مدل قبلی ما فقط باید چهار یا پنج اتاق را در یک چیدمان در نظر می گرفت، اما وقتی چیدمان تغییر می کند و شما ۱۳ یا ۱۴ اتاق دارید، می تواند برای مدل یک کابوس باشد. ما معتقدیم که کلید حرکت به یک مدل تعمیم‌یافته است که برای بسیاری از ساختمان‌های مختلف کار می‌کند.»
برای مقابله با متغیر آتش سوزی های واقعی، محققان رویکرد خود را با شبکه های عصبی گراف (GNN) تقویت کردند، نوعی الگوریتم یادگیری ماشینی که در قضاوت بر اساس نمودار گره ها و خطوط، نشان دهنده نقاط داده های مختلف و روابط آنها با یک گره است.
شبکه های عصبی گراف (GNN)اغلب برای زمان تخمینی ورود یا ETA در ترافیکی که می توانید ۱۰ تا ۵۰ جاده مختلف را تجزیه و تحلیل کنید استفاده می شود. محققان بیش از ۴۱۰۰۰ آتش سوزی را در ۱۷ نوع ساختمان به صورت دیجیتالی شبیه سازی کردند که نشان دهنده اکثریت ساختمان های مسکونی ایالات متحده است. علاوه بر چیدمان، عواملی مانند منشاء آتش سوزی، انواع مبلمان و باز یا بسته بودن درها و پنجره ها در سرتاسر متفاوت بود. آنها مجموعه ای از نزدیک به ۲۵۰۰۰ مورد آتش سوزی را برای مدل GNN به عنوان مواد مطالعه و سپس ۱۶۰۰۰ مورد برای تنظیم دقیق و آزمایش نهایی ارائه کردند.
در میان ۱۷ نوع خانه، دقت مدل جدید به مقدار داده‌ای که باید روی آن بجوید و مدت زمانی که به دنبال ارائه آتش‌نشان بود، بستگی داشت. با این حال، دقت مدل – در بهترین حالت، ۹۲.۱٪ با ۳۰ ثانیه زمان – از پنج ابزار دیگر مبتنی بر یادگیری ماشینی، از جمله مدل قبلی ، بهتر بود. در مواقع بحرانی، این ابزار کمترین منفی‌های کاذب را تولید می‌کند، موارد خطرناکی که در آن مدل‌ها قادر به پیش‌بینی یک فلش‌اور قریب‌الوقوع نیستند.
نویسندگان فلش نت را در سناریوهایی قرار دادند که در آن هیچ اطلاعات قبلی در مورد مشخصات یک ساختمان و آتش سوزی در داخل آن وجود نداشت، مشابه موقعیتی که آتش نشانان اغلب در آن قرار می گیرند. تام گفت، با توجه به این محدودیت ها، عملکرد ابزار کاملا امیدوارکننده بود. با این حال، نویسندگان هنوز راهی دارند تا بتوانند فلش نت را از خط پایان عبور دهند. به عنوان گام بعدی، آنها قصد دارند مدل را با داده های واقعی و نه شبیه سازی شده آزمایش کنند.
محققان موسسه ملی استاندارد و فناوری (NIST)، دانشگاه پلی تکنیک هنگ کنگ یک مدل شبکه عصبی پیش بینی فلش اوور (فلش نت ) برای وقایع مرگبار چند ثانیه قبل از فوران ایجاد کرده‌اند. در یک مطالعه جدید منتشر شده ، فلش نت دقت ۹۲.۱ درصدی را در بیش از دوجین پلان مسکونی رایج در ایالات متحده نشان داد و در هنگام تقابل با سایر فلاشورهای مبتنی بر هوش مصنوعی در صدر قرار گرفت.
فلاش اوورها به طور ناگهانی در حدود ۶۰۰ درجه سانتیگراد (۱۱۰۰ درجه فارنهایت) شعله ور می شوند و سپس می توانند باعث افزایش بیشتر دما شوند. برای پیش‌بینی این رویدادها، ابزارهای تحقیقاتی موجود یا بر جریان‌های ثابتی از داده‌های دما از ساختمان‌های در حال سوختن تکیه می‌کنند یا از یادگیری ماشینی برای پر کردن داده‌های از دست رفته در صورت تسلیم شدن آشکارسازهای گرما به دمای بالا استفاده می‌کنند.
تاکنون، بیشتر ابزارهای پیش‌بینی مبتنی بر یادگیری ماشین، برای کار در یک محیط واحد و آشنا آموزش دیده‌اند. در واقع، آتش نشان ها چنین امکانی را ندارند. همانطور که آنها وارد قلمرو متخاصم می شوند، ممکن است در مورد پلان طبقه، محل آتش سوزی یا باز یا بسته بودن درها اطلاعات کمی داشته باشند.
وای چئونگ تام، مهندس مکانیک NIST، گفت: «مدل قبلی ما فقط باید چهار یا پنج اتاق را در یک چیدمان در نظر می گرفت، اما وقتی چیدمان تغییر می کند و شما ۱۳ یا ۱۴ اتاق دارید، می تواند برای مدل یک کابوس باشد. ما معتقدیم که کلید حرکت به یک مدل تعمیم‌یافته است که برای بسیاری از ساختمان‌های مختلف کار می‌کند.»
برای مقابله با متغیر آتش سوزی های واقعی، محققان رویکرد خود را با شبکه های عصبی گراف (GNN) تقویت کردند، نوعی الگوریتم یادگیری ماشینی که در قضاوت بر اساس نمودار گره ها و خطوط، نشان دهنده نقاط داده های مختلف و روابط آنها با یک گره است.
شبکه های عصبی گراف (GNN)اغلب برای زمان تخمینی ورود یا ETA در ترافیکی که می توانید ۱۰ تا ۵۰ جاده مختلف را تجزیه و تحلیل کنید استفاده می شود. محققان بیش از ۴۱۰۰۰ آتش سوزی را در ۱۷ نوع ساختمان به صورت دیجیتالی شبیه سازی کردند که نشان دهنده اکثریت ساختمان های مسکونی ایالات متحده است. علاوه بر چیدمان، عواملی مانند منشاء آتش سوزی، انواع مبلمان و باز یا بسته بودن درها و پنجره ها در سرتاسر متفاوت بود. آنها مجموعه ای از نزدیک به ۲۵۰۰۰ مورد آتش سوزی را برای مدل GNN به عنوان مواد مطالعه و سپس ۱۶۰۰۰ مورد برای تنظیم دقیق و آزمایش نهایی ارائه کردند.
در میان ۱۷ نوع خانه، دقت مدل جدید به مقدار داده‌ای که باید روی آن بجوید و مدت زمانی که به دنبال ارائه آتش‌نشان بود، بستگی داشت. با این حال، دقت مدل – در بهترین حالت، ۹۲.۱٪ با ۳۰ ثانیه زمان – از پنج ابزار دیگر مبتنی بر یادگیری ماشینی، از جمله مدل قبلی ، بهتر بود. در مواقع بحرانی، این ابزار کمترین منفی‌های کاذب را تولید می‌کند، موارد خطرناکی که در آن مدل‌ها قادر به پیش‌بینی یک فلش‌اور قریب‌الوقوع نیستند.
نویسندگان فلش نت را در سناریوهایی قرار دادند که در آن هیچ اطلاعات قبلی در مورد مشخصات یک ساختمان و آتش سوزی در داخل آن وجود نداشت، مشابه موقعیتی که آتش نشانان اغلب در آن قرار می گیرند. تام گفت، با توجه به این محدودیت ها، عملکرد ابزار کاملا امیدوارکننده بود. با این حال، نویسندگان هنوز راهی دارند تا بتوانند فلش نت را از خط پایان عبور دهند. به عنوان گام بعدی، آنها قصد دارند مدل را با داده های واقعی و نه شبیه سازی شده آزمایش کنند.
کد خبر ۲۰۲۰۱۰۵۲۴.۵۱۶
