近期四项研究,人工智能助力地球科学与宇宙探索
发布网友
发布时间：2022-10-23 16:08
共1个回答
热心网友
时间：2024-07-29 10:53
编辑/绿萝
目录：
如果我们周围的一切都只是……全息图呢？
问题是，它可能是——密歇根大学的一位物理学家 Enrico Rinaldi 正在使用量子计算和机器学习来更好地理解这个想法，称为全息对偶性（holographic duality）。
全息对偶性是一种数学猜想，它将粒子理论及其相互作用与引力理论联系起来。这个猜想表明，引力理论和粒子理论在数学上是等价的：引力理论在数学上发生的事情发生在粒子理论中，反之亦然。
一些科学家认为我们的整个宇宙是粒子的全息投影，这可能导致一致的量子引力理论。
在《 PRX Quantum 》 杂志上发表的一项研究中，Rinaldi 和他的合著者研究了如何使用量子计算和深度学习来 探索 全息对偶性，以找到称为量子矩阵模型的数学问题的最低能量状态。
研究人员对矩阵量子力学的量子计算和深度学习方法进行了首次系统调查，并将它们与晶格蒙特卡罗模拟进行了比较。它们在解决更复杂的问题之前提供了基线基准。特别是，通过计算低能谱来测试每种方法的性能。
论文链接：https://journals.aps.org/prxquantum/abstract/10.1103/PRXQuantum.3.010324
相关报道：https://phys.org/news/2022-02-black-hole-physicist-quantum-machine.html
地图对于我们了解地球及其过程很重要，但通常情况下，我们无法在空间的每一点直接观察我们感兴趣的变量。出于这个原因，我们必须使用模型来填补空白。
然而，科学家们认为，在自然环境中可能存在更多微妙的关系，而基于传统手动特征工程方法的模型可能会忽略这些关系。
来自英国埃克塞特大学（University of Exeter）、格拉斯哥大学（University of Glasgow）和英国埃克塞特气象局的研究人员创造了一种复杂的新方法来更详细和准确地模拟地球的自然特征。
该研究中开发的开创性的新人工智能方法将环境信息提取作为一个优化问题。这样做允许它自动识别和利用关系，否则这些关系可能会被人类使用更传统的建模方法忽视和利用。
除了提高地图质量外，这种方法还释放了人工智能在自然环境中发现新关系的潜力，同时消除了建模过程中的大量试错实验
该研究以「 Bayesian Deep Learning for Spatial Interpolation in the Presence of Auxiliary Information 」为题，发表在《 Mathematical Geosciences 》杂志上。
新技术可以识别地形的复杂特征和方面，远远超出传统方法的能力，并使用它们来生成质量更高的环境地图。至关重要的是，新系统还可以为解锁自然环境中关系的新发现铺平道路，这可能有助于解决 21 世纪一些更大的气候和环境问题。
在 NN-SVG 软件 (LeNail 2019) 的帮助下可视化的深度神经网络架构概述。
论文链接：https://link.springer.com/article/10.1007/s11004-021-09988-0
相关报道：https://phys.org/news/2022-03-technique-harnesses-cutting-edge-ai-capabilities.html
陨石为我们了解太阳系的起源和演化提供了一个独特的视角。南极洲是回收陨石最多产的地区，这些外星岩石集中在陨石搁浅区。迄今为止，含陨石的蓝色冰区大多是通过意外发现和昂贵的侦察任务来识别的。
来自布鲁塞尔自由大学（ULB）、代尔夫特理工大学和的一组研究人员使用人工智能技术寻找隐藏在南极冰层中的陨石。通过在机器学习算法中结合最先进的数据集来识别富含陨石的区域，并提供在整个大陆范围内对在任何给定位置找到陨石的概率的估计。
由此产生的约 600 个陨石搁浅区，估计精度超过 80%，揭示了尚未 探索 的区域的存在，其中一些位于研究站附近。分析表明，迄今为止，南极冰盖表面的所有陨石中，只有不到 15% 被发现。数据驱动的方法将极大地促进以协调和具有成本效益的方式收集剩余陨石的 探索 。
该研究以「 Unexplored Antarctic meteorite collection sites revealed through machine learning 」为题，发表在《 Science Advances 》上。
论文链接：https://www.science.org/doi/10.1126/sciadv.abj8138
相关报道：https://phys.org/news/2022-01-machine-space-antarctica.html
从地球大气中去除二氧化碳 (CO2) 是应对气候变化的有力工具。所谓的碳捕获和封存 (CCS) 使用机械和化学技术从空气中去除二氧化碳，将其浓缩，然后将其注入地下进行长期储存。尽管 CCS 目前只代表了减缓气候变化工作的一小部分，但它可能会在未来几十年变得越来越重要。
CCS 的一个关键要素是确保收集的 CO2 浓度安全稳定地储存在注入它们的地质单元中，这主要通过 3D 地震观测的时间序列来完成。随着二氧化碳被注入岩石孔隙中，它会显著改变岩石的整体密度和其他体积特性，从而对传入的地震波产生不同的响应。
延时 3D 地震勘测是详细了解 CO2 随时间变化的关键工具。然而，记录的地震数据必须经过严格的处理路线，以匹配基线和延时数据集，以便人工检测和解释差异。
来自新加坡国立大学和美国普渡大学的研究人员建议使用神经网络 (NN) 来促进人类解释。它提供了直接从 4D 地震图像到 3D CO2 分布的高效端到端映射。通过在训练期间合并不同处理的数据，NN 获得了针对基线和延时图像之间的中度不匹配的稳健性。训练后的神经网络在不同延时数据上的普遍应用显示出在整个监测 历史 中的高度一致性，这为作为时间函数的 CO2 羽流（plume）发展提供了可靠的分析。
在这次 3D 地震观测中，人类评估人员已将二氧化碳储层标记为绿色，但根据一项新研究，机器学习算法可能很快就会取代人类来完成这项任务。
该研究以「 Neural Network-Based CO2 Interpretation From 4D Sleipner Seismic Images 」为题，发布在《 Journal of Geophysical Research: Solid Earth 》上。
论文链接：https://agupubs.onlinelibrary.wiley.com/doi/10.1029/2021JB022524
相关报道：https://phys.org/news/2022-01-neural-networks-carbon-dioxide-seismic.html
