hanlin23-spm.pdf
22.7 MB
Статья -> Seismic Foundation Model (SFM): a new generation deep learning model in geophysics
Геотермальная энергия, когда же уже?
Три года назад издание Vox опубликовало классную статью "Geothermal energy is poised for a big breakout", в которой дается обзор этого источника энергии и технологий для добычи геотермальной энергии. Очень интересно и познавательно, почитайте - ссылка! Статья написана в позитивном ключе, что мол даже 0.1% тепловой энергии Земли достаточно, чтобы обеспечить энергией все человечество на 2 миллиона лет вперед, и технологии на подходе.
Неделю назад, это же издание опубликовало более отрезвляющий материал "Is the future of energy ... pouring water on hot rocks in the ground?", написанный по следам успехов компании Fervo, которая впервые добилась результатов по генерации электричества в промышленных масштабах с помощью технологии усоверщенствованных геотермальных систем (ESG), я писал об этом тут. Авторы пишут, что технология конечно работает, но стоимость решения на данный момент $450 за киловатт, в то время как ветер и солнце дают $30-50 за киловатт. Пока технология добычи геотермальной энергии настолько неэфективна, что при циркуляции воды внутри системы, ее потери составляют до 20%, что собственно, даже дороже конечного продукта, поставляемого электричества. Статья.
Если кто-то хочет начать разбираться в том как работает добыча энерегии с помощью геотермальных систем, я советую прочитать обе статьи. Вторая, конечно, своего рода ложка дегтя. Но если посмотреть с другой стороны, инженеры, работающие в геотермалке должны трезво смотреть на мир и попытаться найти технологические решения, которые действительно помогут в масштабировании технологии.
#geothermal #climate
Три года назад издание Vox опубликовало классную статью "Geothermal energy is poised for a big breakout", в которой дается обзор этого источника энергии и технологий для добычи геотермальной энергии. Очень интересно и познавательно, почитайте - ссылка! Статья написана в позитивном ключе, что мол даже 0.1% тепловой энергии Земли достаточно, чтобы обеспечить энергией все человечество на 2 миллиона лет вперед, и технологии на подходе.
Неделю назад, это же издание опубликовало более отрезвляющий материал "Is the future of energy ... pouring water on hot rocks in the ground?", написанный по следам успехов компании Fervo, которая впервые добилась результатов по генерации электричества в промышленных масштабах с помощью технологии усоверщенствованных геотермальных систем (ESG), я писал об этом тут. Авторы пишут, что технология конечно работает, но стоимость решения на данный момент $450 за киловатт, в то время как ветер и солнце дают $30-50 за киловатт. Пока технология добычи геотермальной энергии настолько неэфективна, что при циркуляции воды внутри системы, ее потери составляют до 20%, что собственно, даже дороже конечного продукта, поставляемого электричества. Статья.
Если кто-то хочет начать разбираться в том как работает добыча энерегии с помощью геотермальных систем, я советую прочитать обе статьи. Вторая, конечно, своего рода ложка дегтя. Но если посмотреть с другой стороны, инженеры, работающие в геотермалке должны трезво смотреть на мир и попытаться найти технологические решения, которые действительно помогут в масштабировании технологии.
#geothermal #climate
Vox
Geothermal energy is poised for a big breakout
"An engineering problem that, when solved, solves energy."
1695761231821.gif
35.8 MB
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
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
Forwarded from AI Для Всех (Artemii)
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
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
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
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
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
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
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
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
Forwarded from AIRI Institute
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.
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.
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
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
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
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
Media is too big
VIEW IN TELEGRAM
Старенькое, но красивое видео восхода планеты под названием Земля, заснятое японским спутником Луны Кагуя 🌒🌎
отсюда
Отличной всем недели!
отсюда
Отличной всем недели!
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
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
Forwarded from AI Для Всех (Artemii)
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
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
🗻 Поговорить с K2
Please open Telegram to view this post
VIEW IN TELEGRAM