Учёные из Калифорнийского университета в Риверсайде разработали недорогой метод снижения загрязнения воздуха от двигателей внутреннего сгорания, работающих на водороде. Двигатели внутреннего сгорания, работающие на водороде, являются перспективным решением в борьбе с изменением климата, поскольку они мощные и не выделяют углерода. Однако они выделяют оксиды азота, которые реагируют с другими соединениями в атмосфере, образуя вредный озон и мелкие частицы.

Исследователи обнаружили, что введение платины в каталитические нейтрализаторы с высокопористым материалом, называемым Y-цеолитами, значительно усиливает реакции между оксидами азота и водородом, превращая их в безвредный газообразный азот и водяной пар.

Цеолиты — это недорогие материалы с определённой кристаллической структурой, состоящей в основном из атомов кремния, алюминия и кислорода. Их большая площадь поверхности и решётчатая структура из однородных пор и каналов позволяют более эффективно разлагать загрязняющие вещества.

Исследователи смешали платину с цеолитом Y и создали систему, которая эффективно захватывает воду, образующуюся в процессе сгорания водорода. Эта богатая водой среда способствует активации водорода, что является ключом к повышению эффективности восстановления азота.

Шаохуа Се (Shaohua Xie), ведущий автор исследования, объяснил, что сам цеолит не является катализатором. Вместо этого он повышает эффективность платинового катализатора, создавая богатую водой среду. Соавторы аспирант Липин Лю (Liu), и Хунлян Синь (Hongliang Xin), доцент Virginia Tech, дополнительно подтвердили эту концепцию посредством теоретического моделирования новой каталитической системы.

Исследователи смешали порошки платины и цеолита Y и предоставили их сотрудничающему учёному Юэцзину Ли (Yuejin Li) из BASF Environmental Catalyst and Metal Solutions (ECMS) в Айселине (штат Нью-Джерси). Порошок был превращён в густую жидкую суспензию со связующими соединениями и нанесён на сотовые структуры внутри прототипов каталитических преобразователей.

Команда инженеров компании BitEnergy AI, занимающейся технологиями вывода ИИ, сообщила о методе снижения энергопотребления приложений на базе искусственного интеллекта на 95%. Группа опубликовала статью, описывающую их технологию, на сервере препринтов arXiv.

Поскольку ИИ-приложения стали мейнстримом, их использование резко возросло, что привело к заметному росту потребностей в энергии и затрат. Большие лингвистические модели, такие как ChatGPT, требуют большой вычислительной мощности, что, в свою очередь, означает, что для их работы требуется много электроэнергии. Например, ChatGPT теперь требует около 564 МВтч ежедневно, что достаточно для питания 18 000 американских домов. Поскольку наука продолжает развиваться, а такие приложения становятся всё более популярными, критики предположили, что эти приложения могут потреблять около 100 ТВтч ежегодно всего через несколько лет, наравне с операциями по добыче биткоинов.

Команда BitEnergy AI утверждает, что в рамках новой разработки им удалось найти способ значительно сократить объём вычислений, необходимых для приложений ИИ, не приводя при этом к снижению производительности.

Новая техника является достаточно изящной — вместо использования сложного умножения с плавающей точкой (FPM) метод использует целочисленное сложение. Приложения используют FPM для обработки чрезвычайно больших или малых чисел, что позволяет приложениям выполнять вычисления с их использованием с большой точностью. Это также самая энергоёмкая часть обработки чисел ИИ.

Исследователи называют свой новый метод Linear-Complexity Multiplication — он работает путём аппроксимации FPM с использованием целочисленного сложения. Они утверждают, что тестирование на данный момент показало, что новый подход снижает потребление электроэнергии на 95%.

Единственный недостаток заключается в том, что он требует другого оборудования, чем то, что используется в настоящее время. Но исследовательская группа также отмечает, что новый тип оборудования уже был спроектирован, создан и протестирован. Однако пока что неясно, как такое оборудование будет лицензироваться — в настоящее время на рынке оборудования для искусственного интеллекта доминирует производитель графических процессоров Nvidia. То, как они отреагируют на эту новую технологию, может оказать существенное влияние на темпы внедрения — если заявления компании подтвердятся.

Учёные из Калифорнийского университета в Беркли разработали новую вычислительную структуру под названием RoVi-Aug, которая позволяет дополнять роботизированные данные и облегчает передачу навыков между различными роботами. Эта структура использует генеративные модели для дополнения данных изображений и создания синтезированных визуальных демонстраций задач с различными видами камер для разных роботов.

По словам группы разработчиков, которыми руководили исследователи Лоуренс Чен (Lawrence Chen) и Чэньфэн Сю (Chenfeng Xu), целью их работы было преодолеть ограничения существующих алгоритмов, которые не могут надёжно передавать навыки между роботами с разными корпусами и характеристиками. Они отметили, что многие существующие наборы данных для обучения роботов не сбалансированы и содержат неточности, которые могут привести к переобучению определённых типов роботов.

«Успех современных систем машинного обучения, в частности генеративных моделей, демонстрирует впечатляющую обобщаемость и мотивирует исследователей робототехники искать, как достичь аналогичной обобщаемости в робототехнике», — рассказали Чен и Сюй.

RoVi-Aug состоит из двух отдельных компонентов: модуля роботизированного дополнения (Ro-Aug) и модуля дополнения точки обзора (Vi-Aug). Первый компонент синтезирует демонстрационные данные с участием различных роботизированных систем, а второй производит демонстрации с разных углов.

«Ro-Aug имеет две ключевые особенности: тонко настроенную модель SAM для сегментации робота и тонко настроенную ControlNet для замены исходного робота другим. Тем временем Vi-Aug использует ZeroNVS, современную модель синтеза новых видов, для создания новых перспектив сцены, что делает модель адаптируемой к различным точкам обзора камеры», — объяснили Чен и Сюй.

Исследователи использовали свою структуру для создания дополненного набора данных робота и проверили его эффективность для обучения политик и передачи навыков между различными роботами. Их результаты показали, что RoVi-Aug позволяет обновлять политики, которые хорошо обобщаются между различными роботами и настройками камер.

«Ключевое новшество заключается в применении генеративных моделей, таких как генерация изображений и синтез новых представлений, к задаче кросс-воплощенного обучения роботов», — пояснили Чен и Сюй.

Эта работа может способствовать развитию роботов, помочь исследователям легко расширять набор навыков систем. В будущем она может быть использована другими командами для передачи навыков между различными роботами или разработки более эффективных универсальных роботизированных политик.

Например, представьте себе ситуацию, когда исследователь потратил значительные усилия на сбор данных и обучение робота Franka политике выполнения задачи, но у вас есть только робот UR5. RoVi-Aug позволяет вам повторно использовать данные Franka и развёртывать политику на роботе UR5 без дополнительного обучения. Это особенно полезно, поскольку политики робота часто чувствительны к изменениям точки обзора камеры, а настройка идентичных углов камеры для разных роботов является сложной задачей. RoVi-Aug устраняет необходимость в таких точных настройках.

Лоуренс Чен, Чэньфэн Сю

По словам авторов работы, RoVi-Aug может быть экономически эффективной альтернативой для простого составления надёжных наборов данных для обучения. Они также отметили, что их подход может быть расширен для применения к другим наборам данных роботов и что они планируют дальнейшее совершенствование RoVi-Aug, включая генерацию видео вместо генерации изображений.

«Мы также планируем применить RoVi-Aug к существующим наборам данных, таким как набор Open-X Embodiment (OXE), и воодушевлены потенциалом повышения производительности универсальных политик роботов, обученных на этих данных. Расширение возможностей RoVi-Aug может значительно повысить гибкость и надёжность этих политик для более широкого спектра роботов и задач», — заключили исследователи.