This Climate Does Not Exist — инструмент, который использует ИИ для визуализации изменения климата

Обеспокоенная резким ростом числа стихийных бедствий во всем мире команда исследователей искусственного интеллекта из Mila (Квебекский институт искусственного интеллекта) разработала веб-сайт, который позволяет людям увидеть потенциальное воздействие изменения климата на любой адрес в любой точке планеты.

Как бы выглядело место, если бы на него обрушилось сильное наводнение, лесные пожары или смог? Используя класс алгоритмов машинного обучения, называемых генеративными состязательными сетями (GAN), сайт This Climate Does Not Exist создает реалистичный фильтр воздействия изменения климата на это место в Google Street View. 

Этот опыт повышает осведомленность пользователей о возможных сценариях, если реакция мира на изменение климата будет по-прежнему неэффективной. Проект является кульминацией двухлетней работы. Он мобилизовал более 30 специалистов и сотрудников под руководством Йошуа Бенжио, в том числе ведущих исследователей компании Сашу Лучиони, Виктора Шмидта и Алекса Эрнандес-Гарсиа. Это стало возможным благодаря финансовому и технологическому вкладу многих партнеров.

This Climate Does Not Exist — это опыт, основанный на искусственном интеллекте и на сочувствии, позволяющий пользователям представить себе воздействие текущего климатического кризиса на окружающую среду. GAN — это класс фреймворков машинного обучения, которые позволяют компьютеру создавать и преобразовывать изображения.

Исследователи назвали проект «Этот климат не существует», чтобы подчеркнуть, что изменение климата приводит к ужасным последствиям во всем мире прямо сейчас, даже если вы не испытываете это на своем заднем дворе. Это также отсылка к тенденции, которая использует искусственный интеллект для создания изображений нереальных вещей, таких как люди, кошки, бабочки и даже ноги.

«Мы выбрали это название, чтобы проиллюстрировать, что, хотя созданные искусственным интеллектом изображения, отражающие последствия климатического кризиса, не реальны, они служат для повышения осведомленности и побуждения к действиям», — сообщили создатели проекта. Они не занимаются климатологией, но сделали все возможное, чтобы собрать надежные источники от партнеров, таких как Сеть действий по климату. 

Ученые-компьютерщики проявляют большой интерес к изменению климата и влиянию на окружающую среду. Они решили использовать ИИ, чтобы сделать мир лучше. Изменение климата — серьезная проблема для человечества. Предотвращение его катастрофических последствий потребует изменений как в политике, так и в поведении людей.

Однако многие когнитивные предубеждения не позволяют людям действовать, учитывая, что изменение климата — это абстрактное явление, которое трудно воспринимать как прямую угрозу для нас самих. Это приводит к психологическому дистанцированию, когда это воспринимаемое расстояние может быть связано как со временем (поскольку последствия изменения климата находятся в будущем), так и с пространством (поскольку многие из его эффектов происходят далеко от нас). 

Исследования показывают, что демонстрация людям изображений последствий изменения климата — затопленных городов, разрушенных пожарами лесов и городов, окутанных смогом, — может помочь уменьшить эту психологическую дистанцию, особенно если места знакомы зрителю.

«Мы считаем, что использование ИИ для создания изображений персонализированных воздействий на климат будет особенно действенным в преодолении препятствий на пути к действию и повышению осведомленности об этой важной проблеме. Мы надеемся, что этот проект позволит зрителям переосмыслить свои когнитивные предубеждения и принять меры, как отдельным лицам, так и членам мирового сообщества, чтобы остановить изменение климата», — заявили ученые. 

Генеративные состязательные сети (GAN) были изобретены в Монреале в 2014 году, что дало ИИ возможность генерировать новый контент, такой как изображения, текст и даже музыку. Сначала GAN научились создавать изображение человека из набора примеров, таких как изображения различных людей. Затем они были улучшены, чтобы позволить преобразование одной группы изображений в другую группу. Этот процесс был впервые реализован в архитектуре CycleGAN, которая позволяет превращать лошадей в зебр, яблоки в апельсины, а зимние пейзажи в летние.

Генеративные состязательные сети или GAN — это модели искусственного интеллекта, состоящие из двух нейронных сетей: генератора и дискриминатора. Эти сети конкурируют друг с другом. Цель генератора — обмануть дискриминатор путем создания максимально реалистичных изображений, например, затопленных улиц, в то время как дискриминатор пытается отличить изображения, созданные генератором, от реальных изображений затопленных сцен. Этот процесс побуждает генератор постепенно улучшать качество создаваемых им изображений и все чаще и чаще обманывать дискриминатор.

В конце процесса обучения GAN изображения, созданные генератором, должны быть неотличимы от реальных изображений. Это называется «конвергенцией». На практике добиться схожести сложно, поскольку изображения имеют множество характеристик и атрибутов, поэтому генератору приходится изучать очень сложную математическую функцию, чтобы создавать реалистичные изображения. По этой причине на разработку и обучение GAN исследователям потребовалось несколько месяцев.

В частности, их подход разбивает задачу создания происшествий на несколько частей. Первая часть фокусируется на изучении общего «представления», которое представляет собой набор чисел, уплотняющих информацию, содержащуюся в изображениях. Вторая часть использует эту информацию для создания различных событий из одного и того же представления. Это обеспечивает эффективный конвейер обработки, при котором ученым не нужно обрабатывать входное изображение несколько раз для создания визуализации различных событий. Вместо этого они повторно используют этот промежуточный этап «кодирования» содержимого изображения.

Для визуализации смога используется промежуточное представление для создания карты глубины, которая предсказывает расстояние каждого пикселя от камеры, чтобы можно было правильно масштабировать смог, а объекты, находящиеся дальше, были менее четкими, чем более близкие.

Чтобы создать изображение лесного пожара, исследователи используют общее представление для создания «маски неба», которая предсказывает, какие пиксели во входном изображении принадлежат небу, чтобы можно было сделать их оранжевыми, применить некоторое размытие, а затем настроить общую контрастность.

Наконец, чтобы имитировать наводнение, общее представление обрабатывается для вывода «маски наводнения», которая показывает, где нужно добавить воду в исходной сцене. Затем эта маска используется последней частью головоломки — другой нейронной сетью, чья работа заключается в том, чтобы нарисовать воду на входном изображении на основе маски наводнения и с учетом контекста входного изображения.

Mila — это исследовательский институт искусственного интеллекта, основанный в 1993 году профессором Йошуа Бенджио из Университета Монреаля. Институт объединяет более 500 исследователей, специализирующихся в области машинного обучения. Миссия Mila — быть мировым полюсом научных достижений, которые вдохновляют на инновации и развитие искусственного интеллекта на благо всех.

Некоммерческая организация получила международное признание за свой значительный вклад в машинное обучение, особенно в области языкового моделирования, машинного перевода, распознавания объектов и генеративных моделей.