A légszennyezettség Nagy-Britanniában évente becslések szerint 30 000 ember halálához járul hozzá – mégis rendkívül nehéz és számításigényes dolog pontosan előre jelezni, hogy másnap vagy a következő héten hol és mennyire lesz szennyezett a levegő. A Manchesteri Egyetem kutatói az NVIDIA Earth-2 AI-modellcsaládra alapozva most olyan rendszert fejlesztettek ki, amely ezt az akadályt áttöri: az egész Egyesült Királyságra kiterjedő, 2-3 négyzetkilométeres felbontású légszennyezettség-modell két nap alatt állt elő egy nemzeti szuperszámítógépen – és ma már egy asztali AI-gépen is futtatható.
Miért volt eddig annyira drága a levegőminőség-előrejelzés?
A hagyományos kémia-alapú légköri modellek hatalmas számítási kapacitást igényelnek: amint az időjárás-szimulációba belekerül a kémiai folyamatok leírása, a futásidő drámaian megnő. David Topping professzor, a Manchesteri Egyetem Föld- és környezettudományi tanszékének munkatársa felfigyelt arra, hogy az NVIDIA Earth-2 generatív AI-keretrendszere már bevált időjárás-előrejelzési feladatokban – és megkérdezte, vajon ugyanez az architektúra működhetne-e szennyezettségi mezők modellezésére is.
„A legnagyobb kihívás a levegőminőség-előrejelzéshez szükséges számítási kapacitás. Mihelyt kémiát teszel az időjárási modellbe, az rettenetesen lelassul. Ezért mondtam: miért ne próbáljuk ki az NVIDIA által klimatológiai és meteorológiai célokra fejlesztett generatív keretrendszereket szennyezettségi mezőkhöz?” – fogalmazott Topping.
Az NVIDIA Earth-2 csapatával együttműködve a kutatók meglévő kémia-klíma szimulációkból állítottak elő tanítási adatokat, majd az Earth-2 CorrDiff – egy generatív felbontásnövelő modell – betanítását az Isambard-AI szuperszámítógépen végezték, amely az Egyesült Királyság nemzeti AI-szuperszámítógépe, és a bristoli egyetemen üzemel. A modell az első próbálkozásra is működött.
Az NVIDIA Earth-2 a brit légszennyezettség ellen: hogyan működik a rendszer?
A csapat egy teljes éves, óránkénti felbontással szimulált brit szennyezettségi adatsort használt fel ahhoz, hogy 2-3 négyzetkilométeres térbeli részletességű, országos szintű modellt hozzon létre. A tanítás az Isambard-AI egyetlen, nyolc GPU-t tartalmazó csomópontján zajlott – a szuperszámítógépet 5448 db NVIDIA GH200 Grace Hopper Superchip hajtja, összesített teljesítménye 21 exaflop AI-számítási kapacitás. Az egész folyamat mindössze két napot vett igénybe.
Simon McIntosh-Smith, a Bristoli Szuperszámítási Központ igazgatója és az Isambard-AI társalapítója kiemelte: az Earth-2 CorrDiff rendkívül hatékonyan használta a hardvert, és a klimatológiai jellegű projekthez képest viszonylag alacsony GPU-óra-felhasználással járt.
A tanítás befejezése után a csapat bevonta az Earth-2 StormCast modellt is, amely időfüggő előrejelzéseket tesz lehetővé, közvetlenül felhasználva a valós idejű levegőminőség-mérési adatokat. Az így összeálló rendszer nemcsak visszatekintő elemzésre képes (az elmúlt év szennyezettségi viszonyainak rekonstrukciójára), hanem jövőbeli forgatókönyvek szimulálására is – például annak kiszámítására, hogy egy konkrét kormányzati szennyezéscsökkentő intézkedés milyen hatással járna.
Hao Zhang, a Manchesteri Egyetem doktorandusza, aki a StormCast modellt betanította az Isambard-AI-on, elmondta: lenyűgözte, mennyire könnyen lehetett váltani az egyik NVIDIA keretrendszerről a másikra, és hogy a komplex szennyezettségi mezők modellezésére ezek a megközelítések csak most kezdenek kibontakozni. Az NVIDIA Earth-2 kapcsán érdemes megemlíteni, hogy a cég más területeken is aktívan terjeszti valós idejű AI-megoldásait, és az Earth-2 platform számos tudományos partnerprojektet támogat világszerte.
Asztali szuperszámítógéptől a klinikai alkalmazásig
Az egyik leglátványosabb fejlemény, hogy ugyanaz a generatív légszennyezettség-munkafolyamat, amely a nemzeti szuperszámítógépen tanult, most már az NVIDIA GB10 Grace Blackwell szuperchippel hajtott DGX Spark asztali AI-rendszeren is futtatható – kisebb betanítási feladatokra és inferenciára egyaránt. Topping professzor irodájában már áll egy DGX Spark, amelyen folyamatosan újabb modellvariánsokat tanít be.
„Az a tény, hogy ez a modell két nap alatt betanult az Isambard-AI-on – és most már egy íróasztalon álló DGX Sparkon is futtatható – alapvetően megváltoztatja, ki és milyen gyorsan végezheti el ezt a tudományos munkát” – mondta Niall Robinson, az NVIDIA időjárási és klíma területért felelős fejlesztői kapcsolati menedzsere.
Topping szerint a rendszer egyik legígéretesebb alkalmazási területe az egészségügy: elképzelhető, hogy regionális és országos egészségügyi szolgálatok proaktívan értesítik az asztmás vagy más légzőszervi betegségben szenvedő pácienseket, ha a következő napokban vagy héten magas szennyezettség várható a lakóhelyükön. A csapat emellett vizsgálja, hogyan lehetne az AI-modellt peremhálózati (edge AI) eszközök valós idejű mérési adataival összekapcsolni – például erdőtűz esetén azonnali döntéstámogatásra.
A NVIDIA más ágazatokban is hatalmas piacokat céloz meg AI-platformjaival, és a tudományos szféra egyre inkább rá van utalva az ilyen nyílt, skálázható keretrendszerekre.
Nyílt tudomány és ágentikus jövő
A Manchesteri Egyetem csapata tervezi, hogy nyílt forrásként közzéteszi a szennyezettségi modellek betanítási adatait és munkafolyamatait, hogy más országok és régiók is elkészíthessék saját helyi modelljeiket. Topping ambiciózus célt fogalmazott meg:
„Célunk az, hogy ezt a munkafolyamatot az egész világ számára elérhetővé tegyük. Reméljük, hogy minden ország és minden nagyváros egy rövid szuperszámítógépes AI-futással el tudja majd készíteni saját részletes szennyezettségi modelljét a helyi adatai alapján.”
Öt éves távlatban Topping egy egyszerűbb, ágentikus interfészt vizionál: egy orvos vagy kormányzati szerv feltesz egy kérdést – például hogy milyen lesz a szennyezettség egy adott városnegyedben holnap –, és egy modelláncból álló rendszer automatikusan, tudományos alapokon állva adja meg a választ. A felbontás növelése is folyamatban van: a kutatók nyílt adatok bevonásával utcaszintű részletességre kívánják fokozni a modell térbeli pontosságát.
Az NVIDIA lokális AI-eszközei egyre inkább kulcsszerepet játszanak abban, hogy a tudományos számítások ne csak szuperszámítógépes környezetben, hanem kisebb intézményekben is elvégezhetők legyenek – és ez a légszennyezettség-kutatásban is új lehetőségeket nyit meg.
Gyakori kérdések
Mire képes az NVIDIA Earth-2 alapú brit légszennyezettség-modell?
A modell egész Nagy-Britanniára kiterjedő, 2-3 négyzetkilométeres térbeli felbontással képes visszatekintő és jövőbeli légszennyezettség-forgatókönyveket szimulálni, valamint valós idejű adatokat felhasználva időfüggő előrejelzéseket adni.
Mennyi ideig tartott a modell betanítása?
Az Earth-2 CorrDiff modell betanítása az Isambard-AI szuperszámítógép egyetlen, nyolc GPU-s csomópontján mindössze két napot vett igénybe, egy teljes éves, óránkénti felbontású brit szennyezettségi adatsoron.
Milyen hardveren futtatható a kész modell?
A betanítás elvégzése után az inferencia és a kisebb újratanítási feladatok az NVIDIA GB10 Grace Blackwell szuperchippel felszerelt DGX Spark asztali AI-rendszeren is elvégezhetők – a szuperszámítógép mellett tehát egy irodai méretű gépen is.
Mikor válik globálisan elérhetővé a munkafolyamat?
A csapat tervezi a betanítási adatok és a teljes munkafolyamat nyílt forrásként való közzétételét, hogy más országok és városok is elkészíthessék saját helyi szennyezettségi modelljeiket, de a pontos időpontot a forrás nem közli.
Forrás: NVIDIA Blog
