利用人工智能的空中之眼：UCSB计划利用NVIDIA RTX击败太空威胁
每隔几个月发生一次流星雨时，观众们可以看到璀璨的流星和光线在夜空中散开的壮观场景。
通常，流星只是来自太空的小块岩石和灰尘，在进入地球大气层时很快就会燃烧殆尽。但如果一颗彗星或小行星稍微大一点，直接朝向地球表面而来且预警时间很短，故事将会变得更加可怕。
这种情况就是加州大学圣塔芭芭拉分校物理教授Philip Lubin和他的一些本科生们正在努力应对的。
该团队最近从美国国家航空航天局获得了第二阶段资金，以探索一种新的、更实用的行星防御方法，使他们能够更快、更有效地检测和缓解任何威胁。他们的倡议被称为PI-Terminal Planetary Defense，其中PI代表“Pulverize It”。
为了帮助团队训练和加快他们正在开发的AI和机器学习算法，以检测与地球相撞的威胁，NVIDIA作为其应用研究加速器计划的一部分，为该团队提供了一张NVIDIA RTX A6000显卡。
带着AI去天空
每天，大约有100吨小块岩石和灰尘从天而降，但它们很快就在大气层中烟消云散，只有极少数能够到达地表。然而，像那些在月球表面可见的撞击坑所产生的较大的小行星对地球上的生命构成真正的危险。
平均而言，每60年，会出现一个直径超过65英尺的小行星，类似于2013年在俄罗斯车里雅宾斯克爆炸的那颗小行星，其能量相当于大约44万吨TNT，根据美国国家航空航天局的数据。
PI-Terminal Planetary Defense倡议旨在更早地检测相关威胁，然后使用一系列高速动能穿透弹来粉碎和拆解小行星或小彗星，以极大地减少威胁。
传统的行星防御方法是偏转威胁，但Pulverize-It则将其有效地分解成更小的碎片，然后在高空处燃烧在地球大气层中，造成很少的地面损坏。这使得缓解更加迅速。
识别威胁是第一个关键步骤——这是Lubin及其学生们利用AI的力量的地方。
许多现代调查收集大量的天体物理数据，但数据收集的速度比处理和分析收集的图像的能力还要快。Lubin的团队正在设计一个专门用于行星防御的更大的调查，将产生更大量需要快速处理的数据。
通过机器学习，该团队训练了一个名为You Only Look Once Darknet的神经网络。这是一个近乎实时的物体检测系统，每张图像的操作时间不到25毫秒。该组使用了一个大型的标记图像数据集来预训练神经网络，使模型能够提取低层次的几何特征，如线条、边缘和圆形，尤其是威胁，如小行星和小彗星。
初步结果显示，通过机器学习的源提取速度比传统方法快了10倍，准确率也提高了近3倍。
在NVIDIA RTX A6000 GPU的帮助下，Lubin和他的团队将图像分析处理过程加速了约100倍，同时还利用了CUDA并行计算平台和编程模型。
“最初，我们的流程——旨在实现实时图像处理——对于我们的减法步骤需要10秒的时间，”Lubin说。“通过实施NVIDIA RTX A6000，我们立即将这个处理时间缩短到了0.15秒。”
将这种新的计算能力与扩展的48GB VRAM相结合，使团队能够实现新的基于CuPy的算法，大大减少了其减法和识别时间，使整个流程只需6秒即可运行。
NVIDIA RTX带来流星记忆
该团队最大的技术挑战之一是满足GPU内存要求，以及减少训练过程的运行时间。随着项目的扩大，Lubin和他的学生们积累了越来越多的数据进行训练。但随着数据集的扩大，他们需要一张能够处理大量文件大小的GPU。
RTX A6000的48GB内存使团队能够处理最复杂的图形和数据集，而不用担心影响性能。
“每个图像将有大约100兆像素，我们将许多图像放入RTX GPU的内存中，”Lubin说。“它有助于缓解数据的瓶颈。”
该团队致力于模拟项目中的各个阶段，包括来自冲击波的地面效应以及在地球大气层中燃烧的每个碎片的光学光脉冲。这些模拟是在本地完成的，运行在使用多线程、多处理器的C++和Python自定义开发的代码上。
快速威胁检测的图像处理流程是使用多个Intel Xeon处理器和NVIDIA RTX A6000 GPU上的自定义C++、Python和CUDA代码运行的。
其他模拟，例如具有高超速拦截能力的威胁碎片的特征，是使用NASA高级超级计算（NAS）设施在NASA埃姆斯研究中心完成的。该设施不断升级，提供超过13个petaflops的计算性能。这些可视化内容在配备了Intel Xeon CPU和NVIDIA RTX A6000 GPU的NAS超级计算机上运行。
请查看UCSB团队的Deepspace YouTube频道上的这些模拟。
了解有关PI-Terminal行星防御项目和NVIDIA RTX的更多信息。
