新型神經算子加速碳捕獲和儲存模擬，為緩解氣候變化鋪平了道路。

    一支科學家團隊創造出全新的 AI 工具，可以更快、更精準地在多孔巖層中封存二氧化碳等溫室氣體。

    碳捕獲技術也被稱為碳封存，它能夠將發電廠排放的二氧化碳重新導向地下，進而減緩氣候變化。同時，科學家還必須避免因將二氧化碳注入巖石而造成的過度壓力積聚，否則可能會使地質構造斷裂，讓碳泄漏到含水層，甚至大氣中。

    名為 U-FNO 的新型神經算子架構能夠在毫秒間模擬碳儲存過程中的壓力水平，同時將一些任務的精確度提高一倍，幫助科學家找到最佳注入率和地點。發表在《水資源進展》上的研究揭開了該算子的神秘面紗，這篇文章的共同作者來自斯坦福大學、加州理工學院、普渡大學和 NVIDIA。

    碳捕獲與封存是煉油、水泥和鋼鐵等行業用于脫碳和實現減排目標為數不多的方法之一。全世界目前有一百多個碳捕獲與封存設施正在建設中。

    U-FNO 將被用于加速埃克森美孚的碳儲存預測，該公司資助了揭秘算子的研究。

    埃克森美孚地下碳儲存經理 James V. White 表示：油藏模擬器是密集型計算機模型，計算工程師和科學家可以用它來研究地球地下地質的多相流和其它復雜的物理現象。這項工作中所使用的機器學習技術能夠有效量化碳捕獲和封存等大規模地下流動模型中的不確定因素，并最終促成更好的決策。”

    碳儲存科學家如何使用機器學習

    科學家根據碳儲存模擬選擇正確的注入地點和速度、控制壓力的積聚、最大限度地提高儲存效率并確保注入活動不會使巖層斷裂。了解二氧化碳羽流（二氧化碳在地下的擴散）對于封存項目的成功也十分重要。

    傳統的碳封存模擬器不僅費時費力，而且計算成本高。機器學習模型具有類似的精確度，但能夠顯著減少所需的時間和成本。

    基于 U-Net 神經網絡和傅里葉神經算子（FNO），U-FNO 能夠對氣體飽和度和壓力積聚進行更精準的預測。與最先進的卷積神經網絡相比，U-FNO 的精確度增加了一倍，但只需三分之一的訓練數據。

    NVIDIA 機器學習研究總監、加州理工學院計算與數學科學系的布倫教授 Anima Anandkumar 表示：“用于科學建模的機器學習方法與標準神經網絡截然不同：在標準神經網絡中，一般使用固定分辨率的圖像；而在科學建模中，會根據采樣方式和地點使用不同分辨率的圖像。模型可以在不同分辨率之下完成歸納，而且不需要重新訓練，因此大幅提升了速度。”

    完成訓練的 U-FNO 模型可通過網絡應用提供，為碳儲存項目提供實時預測。

    微軟行業研究執行董事、挪威全面碳捕集與封存項目“北極光”計劃的合作者 Ranveer Chandra 表示：“ FNO 技術等最新 AI 創新可以將計算速度提高好幾個數量級，在幫助擴大碳捕獲與封存技術方面也邁出了重要的一步。同時，模型并行 FNO 可以利用多個 NVIDIA Tensor Core GPU 的分布式內存擴展到實際 3D 問題規模。”

    新型神經算子加速二氧化碳儲存預測

    U-FNO 使科學家能夠模擬 30 年注入過程中的壓力積聚和二氧化碳的擴散位置。通過 U-FNO 所提供的 GPU 加速，科學家只需要使用 NVIDIA A100 Tensor Core GPU 就能在一瞬間進行 30 年的模擬，而使用傳統方法則需要 10 分鐘。

    研究者現在還可以使用 GPU 加速機器學習，快速模擬多個注入地點。如果沒有這個工具，那么只能憑運氣選擇地點了。

    U-FNO 模型側重于模擬注入過程（此時超額注入二氧化碳的風險最大）中的二氧化碳羽流遷移和壓力。該模型由斯坦福大學 Sherlock 計算集群中的 NVIDIA A100 GPU 開發而成。

    U-FNO 的合作者、NVIDIA Earth-2 氣候變化減緩項目技術負責人 Farah Hariri 表示：“為了實現凈零排放，需要使用低排放能源以及負排放技術，比如碳捕獲和儲存。該項目將是全球第一臺 AI 數字孿生超級計算機。我們通過將傅里葉神經算子應用于碳儲存，展示了 AI 如何幫助加速緩解氣候變化。Earth-2 將充分利用這些技術。”