新型神经算子加速二氧化碳储存预测

一支科学家团队创造出全新的 AI 工具，可以更快、更精准地在多孔岩层中封存二氧化碳等温室气体。

碳捕获技术也被称为碳封存，它能够将发电厂排放的二氧化碳重新导向地下，进而减缓气候变化。同时，科学家还必须避免因将二氧化碳注入岩石而造成的过度压力积聚，否则可能会使地质构造断裂，让碳泄漏到含水层，甚至大气中。

名为 U-FNO 的新型神经算子架构能够在毫秒间模拟碳储存过程中的压力水平，同时将一些任务的精确度提高一倍，帮助科学家找到最佳注入率和地点。发表在《水资源进展》上的研究揭开了该算子的神秘面纱，这篇文章的共同作者来自斯坦福大学、加州理工学院、普渡大学和 NVIDIA。

碳捕获与封存是炼油、水泥和钢铁等行业用于脱碳和实现减排目标为数不多的方法之一。全世界目前有一百多个碳捕获与封存设施正在建设中。

U-FNO 将被用于加速埃克森美孚的碳储存预测，该公司资助了揭秘算子的研究。

埃克森美孚地下碳储存经理 James V. White 表示：油藏模拟器是密集型计算机模型，计算工程师和科学家可以用它来研究地球地下地质的多相流和其它复杂的物理现象。这项工作中所使用的机器学习技术能够有效量化碳捕获和封存等大规模地下流动模型中的不确定因素，并最终促成更好的决策。”

碳储存科学家如何使用机器学习

科学家根据碳储存模拟选择正确的注入地点和速度、控制压力的积聚、最大限度地提高储存效率并确保注入活动不会使岩层断裂。了解二氧化碳羽流（二氧化碳在地下的扩散）对于封存项目的成功也十分重要。

传统的碳封存模拟器不仅费时费力，而且计算成本高。机器学习模型具有类似的精确度，但能够显著减少所需的时间和成本。

基于 U-Net 神经网络和傅里叶神经算子（FNO），U-FNO 能够对气体饱和度和压力积聚进行更精准的预测。与最先进的卷积神经网络相比，U-FNO 的精确度增加了一倍，但只需三分之一的训练数据。

NVIDIA 机器学习研究总监、加州理工学院计算与数学科学系的布伦教授 Anima Anandkumar 表示：“用于科学建模的机器学习方法与标准神经网络截然不同：在标准神经网络中，一般使用固定分辨率的图像；而在科学建模中，会根据采样方式和地点使用不同分辨率的图像。模型可以在不同分辨率之下完成归纳，而且不需要重新训练，因此大幅提升了速度。”

完成训练的 U-FNO 模型可通过网络应用提供，为碳储存项目提供实时预测。

微软行业研究执行董事、挪威全面碳捕集与封存项目“北极光”计划的合作者 Ranveer Chandra 表示：“ FNO 技术等最新 AI 创新可以将计算速度提高好几个数量级，在帮助扩大碳捕获与封存技术方面也迈出了重要的一步。同时，模型并行 FNO 可以利用多个 NVIDIA Tensor Core GPU 的分布式内存扩展到实际 3D 问题规模。”

新型神经算子加速二氧化碳储存预测

U-FNO 使科学家能够模拟 30 年注入过程中的压力积聚和二氧化碳的扩散位置。通过 U-FNO 所提供的 GPU 加速，科学家只需要使用 NVIDIA A100 Tensor Core GPU 就能在一瞬间进行 30 年的模拟，而使用传统方法则需要 10 分钟。

研究者现在还可以使用 GPU 加速机器学习，快速模拟多个注入地点。如果没有这个工具，那么只能凭运气选择地点了。

U-FNO 模型侧重于模拟注入过程（此时超额注入二氧化碳的风险最大）中的二氧化碳羽流迁移和压力。该模型由斯坦福大学 Sherlock 计算集群中的 NVIDIA A100 GPU 开发而成。

U-FNO 的合作者、NVIDIA Earth-2 气候变化减缓项目技术负责人 Farah Hariri 表示：“为了实现净零排放，需要使用低排放能源以及负排放技术，比如碳捕获和储存。该项目将是全球第一台 AI 数字孪生超级计算机。我们通过将傅里叶神经算子应用于碳储存，展示了 AI 如何帮助加速缓解气候变化。Earth-2 将充分利用这些技术。”