科技行者 5月18日 北京消息:大家应该都很清楚,塑料垃圾对于海洋生物一直是种可怕的威胁,然而目前为止,我们依然很难检测到海洋中的塑料污染状况。
塑料制品往往色彩多样,不同尺寸,不同类型,大多数由多种化学物质制成,更糟糕的是,地球上的海洋区域广阔无垠,每年新增的数百万吨塑料很快就会四散蔓延,这种“大塑料”会逐渐分解成细小的塑料块,难以循迹,给海洋生物造成致命威胁。
而只有确定海洋区域内哪些位置的塑料制品最多,才能制定出有针对性的清洁与污染预防举措。
根据近期《自然通讯(Scientific Reports)》期刊上发表的最新研究结果显示,以机器学习为基础的气象卫星,可以搞定海洋环境塑料污染的追踪任务。
英国普利茅斯海洋实验室的一支科学家小组就此进行测试,利用经过训练的机器学习算法分析由欧洲航天局运行的两颗卫星发回的数据,从而找出与塑料垃圾相关的蛛丝马迹。
▲ 图:气象卫星的主责,本是立足环地球轨道,观察威力强大的雷暴与龙卷风。图片来源/美国航空航天局(NASA)
本次研究中使用的两颗Sentinel-2卫星,均配备有12波段多光谱仪(MSI)传感器,能够以10米为基本像素单位,收集海面上的高分辨率图像。在两颗卫星的协同努力下,系统每隔2-5天,即可从世界各地的沿海区域内重复收集数据。换句话说,这套系统每个月能够对地球上所有邻海位置进行6-15次全景图像收集——这可是一大批数据!
卫星会收集包括光信号在内的多种数据类型,并根据对象反射的光信号波长,区分目标的具体材质。从原理层面来看,清澈的海水能够高效吸收近红外(NIR)到短波红外(SWIR)光谱范围内的光波,而塑料及天然碎屑等漂浮物则会大量反射近红外光波。这种光吸收水平层面的差异,也让卫星在理论上获得了检测海面漂浮物的能力。
不同漂浮物的近红外信号也有所区别。研究人员利用卫星数据,训练出一种机器学习算法,成功地从卫星捕捉到的光信号数据中,识别出漂浮塑料的光信号,进而发现了希腊海岸周边存在的塑料漂浮区。研究人员们还利用这类光数据,教会了算法将某些近红外光信号与漂浮的塑料碎片关联起来。同样的,算法也逐步学会了如何区分塑料与天然物质(例如海藻,浮木,以及泡沫塑料等)。
▲ 图:卫星每2-5天对世界范围内各沿海地区进行重复拍摄,借此收集大量可用于跟踪海洋内塑料污染状况的数据。
在算法开始运行之后,研究人员开始利用来自全球四大沿海水域的卫星数据进行测试,分别为:阿克拉(加纳)、圣克安群岛(加拿大)、达南(越南)以及苏格兰(英国)。总体而言,该算法能够以86%的准确度识别出塑料污染,该算法在分析圣胡安群岛的数据时带来了100%准确度。
此外,该算法还能根据卫星数据,定位尺寸≥5毫米的塑料碎片,正是这类“大塑料” 逐渐分解成细小的塑料块,给海洋生物造成了致命威胁。上述结果也表明,将卫星数据与机器学习算法结合,确实能帮助人类跟踪并清理全球塑料污染难题。
好文章,需要你的鼓励
新加坡国立大学研究团队开发了SPIRAL框架,通过让AI与自己对弈零和游戏来提升推理能力。实验显示,仅训练AI玩简单扑克游戏就能让其数学推理能力提升8.6%,通用推理提升8.4%,且无需任何数学题目作为训练材料。研究发现游戏中的三种推理模式能成功转移到数学解题中,为AI训练提供了新思路。
同济大学团队开发的GIGA-ToF技术通过融合多帧图像的"图结构"信息,创新性地解决了3D相机噪声问题。该技术利用图像间的不变几何关系,结合深度学习和数学优化方法,在合成数据集上实现37.9%的精度提升,并在真实设备上展现出色泛化能力,为机器人、AR和自动驾驶等领域提供更可靠的3D视觉解决方案。
伊利诺伊大学研究团队通过对比实验发现,经过强化学习训练的视觉语言模型虽然表现出"顿悟时刻"现象,但这些自我纠错行为并不能实际提升推理准确率。研究揭示了AI模型存在"生成-验证差距",即生成答案的能力强于验证答案质量的能力,且模型在自我验证时无法有效利用视觉信息,为AI多模态推理发展提供了重要启示。
MIT等顶尖机构联合提出SparseLoRA技术,通过动态稀疏性实现大语言模型训练加速1.6倍,计算成本降低2.2倍。该方法使用SVD稀疏性估计器智能选择重要计算部分,在保持模型性能的同时显著提升训练效率,已在多个任务上验证有效性。