تحقیقات جدید می تواند به مدل های هوش مصنوعی سریعتر و قابل اعتمادتر برای پیش بینی آب و هوا منجر شود | اخبار MIT

پیش‌بینی‌های دقیق و به‌روز آب و هوا برای تصمیم‌گیری‌های برنامه‌ریزی که انعطاف‌پذیری شبکه‌های برق را افزایش می‌دهند، از سلامت عمومی محافظت می‌کنند، تولیدات کشاورزی را به حداکثر می‌رسانند و موارد دیگر ضروری است.

اکنون محققان MIT تکنیکی را توسعه داده اند که تولید مدل های هوش مصنوعی سریع، قابل اعتماد و تطبیقی را برای پیش بینی آب و هوا ساده می کند.

این مدل‌های تخصصی هوش مصنوعی، که به عنوان شبیه‌ساز آب و هوا شناخته می‌شوند، می‌توانند به‌سرعت اثرات فعالیت‌های انسانی بر آب و هوای آینده را شبیه‌سازی کنند، به‌عنوان مثال، تأثیرات روی دما یا سطح دریا را پیش‌بینی کنند.

از آنجایی که شبیه سازها در چند ثانیه کار می کنند، دانشمندان از آنها برای آزمایش موثر هزاران سناریو مختلف آب و هوایی استفاده می کنند. این تخمین های قابل اعتمادتری ارائه می دهد و ممکن است نتایج غیر منتظره مداخلات منطقه ای را شناسایی کند.

محققان MIT یک تکنیک آموزشی ایجاد کرده اند که عملکرد و سازگاری یک شبیه ساز آب و هوا را افزایش می دهد در حالی که تنها از بخشی از داده های معمولاً مورد نیاز استفاده می کند. این امر زمان تولید این ابزار علمی کاربردی را بسیار کاهش می دهد.

آنها نشان می دهند که یک شبیه ساز آموزش دیده با مقدار بسیار کمتری از داده های مصنوعی با دقت انتخاب شده، نتایج سناریوهایی را که در طول آموزش ندیده است، به دقت پیش بینی می کند، در حالی که شبیه سازهای سنتی نمی توانند با موقعیت های جدید سازگار شوند.

کریستوفر ووماک PhD ’26 می گوید: “شبیه سازهای آب و هوا به ویژه برای مدل سازی سناریوهای مرتبط با سیاست مناسب هستند. با استفاده از روش ما برای تولید داده های آموزشی شبیه ساز بهینه شده، می توانیم تولید شبیه سازهای بسیار قابل اعتمادتر را سرعت بخشیم تا بتوانیم به نتایج آنها برای تصمیم گیری سیاست اعتماد کنیم.”

شاهین بوعابید، عضو فوق دکتری در بخش زمین، جو و علوم سیاره ای MIT (EAPS) در گزارش به او پیوست. آندری سوکولوف، محقق در مرکز علوم و استراتژی پایداری MIT (CS3). Popat Salunke، CS3 Postdoc. گلن فلیرل، استاد اقیانوس شناسی در EAPS؛ سباستین دی. ایستهام، دانشیار در امپریال کالج لندن. و نویسنده ارشد Noel E. Selin، استاد موسسه MIT برای داده ها، سیستم ها، و جامعه (IDSS) و EAPS و مدیر CS3. این تحقیق در این هفته در مجموعه مقالات آکادمی ملی علوم.

جانشین های سریعتر

دانشمندان آب و هوا معمولاً از مدل‌های سیستم زمین (ESM) برای پیش‌بینی بلندمدت در مورد چگونگی تغییر دمای جهانی یا بارش در پاسخ به انتشار گازهای گلخانه‌ای مختلف استفاده می‌کنند.

این مدل های عظیم مبتنی بر فیزیک، اجزای اساسی و تعاملات آب و هوای زمین را با جزئیات فوق العاده ای به تصویر می کشند. اگرچه ESM قدرتمند است، اما ممکن است ماه‌ها طول بکشد تا روی مجموعه‌ای از ابررایانه‌ها اجرا شوند – و این فقط برای پیش‌بینی یک سناریوی احتمالی آب و هوایی آینده است.

سلین و همکارانش در حال طراحی شبیه‌سازهای آب و هوا هستند که مدل‌های جایگزین سریع هوش مصنوعی هستند که رفتار ESM‌های مقیاس کامل را تقلید می‌کنند. شبیه سازها به دانشمندان کمک می کنند تا سناریوهای زیادی را آزمایش کنند، پیش بینی های دقیق تری انجام دهند و آلاینده های خاص و اثرات منطقه ای را مطالعه کنند.

Womack می‌گوید: شبیه‌سازهای آب و هوا می‌توانند تنها در چند ثانیه اجرا شوند، بنابراین این واقعاً کاری را که ما می‌توانیم از نظر کاوش در این سناریوهای اقلیمی آینده انجام دهیم، گسترش می‌دهد.

هنگامی که دانشمندان شبیه ساز آب و هوا طراحی می کنند، اغلب مدل هوش مصنوعی را با استفاده از مجموعه ای از شش تا هشت سناریو آینده بر اساس مسیرهای واقعی انتشار گازهای گلخانه ای در آینده آموزش می دهند. آنها باید هر سناریو را از طریق یک ESM در مقیاس کامل اجرا کنند، که تولید این مجموعه داده ها را گران و زمان بر می کند.

محققان MIT اخیرا دریافته‌اند که استفاده از سناریوهای واقعی آینده به عنوان داده‌های آموزشی می‌تواند منجر به عملکرد ضعیف شبیه‌سازهایی شود که در پیش‌بینی سناریوهای ناآشنا یا جدید ناکام هستند.

در این کار، آنها الگوریتمی را توسعه دادند که یک مجموعه داده مصنوعی از سناریوهای آب و هوایی بهینه‌سازی شده برای افزایش عملکرد پیش‌بینی یک شبیه‌ساز ایجاد می‌کند.

Womack می گوید: “الگوریتم ما ممکن است سناریوهای عجیب و غریبی ایجاد کند که شبیه آینده ای واقعی به نظر نمی رسند، اما ما چندان به واقعی بودن سناریوهای آموزشی اهمیت نمی دهیم. ما فقط سعی می کنیم بهترین مجموعه داده های ممکن را برای آموزش یک شبیه ساز ایجاد کنیم.”

نکته مهم این است که به جای اینکه کاربر یک ESM کامل را شش یا هشت بار برای تولید داده های آموزشی اجرا کند، فقط باید یک بار این مدل را اجرا کند.

تنظیم داده های آموزشی

محققان با تولید یک سناریوی آب و هوایی تصادفی با استفاده از یک مدل آب و هوایی سریع و ساده شروع می کنند. آنها آزمایش می کنند که شبیه ساز آنها چقدر می تواند نتایج این ESM را بازتولید کند، که به آنها اندازه گیری خطا می دهد.

به دلیل تکنیک برنامه نویسی که برای ایجاد خط لوله آموزشی استفاده کردند، می توانند به طور مکرر داده های آموزشی را به روز کنند تا مهارت پیش بینی شبیه ساز را افزایش دهند. به عنوان مثال، الگوریتم می تواند CO را افزایش دهد₂ کاهش شدید انتشار در سال 2050 یا کاهش سریع انتشار گاز متان در سال 2037.

سپس بهینه سازی داده های آموزشی را تا زمانی که میزان خطای شبیه ساز به آستانه مشخصی برسد به روز می کند.

در نهایت، به جای شباهت به سناریوهای واقعی که در آن انتشارات از مسیرهای هموار پیروی می کنند، داده های مصنوعی دارای تغییرات سریع هستند.

Womack توضیح می‌دهد: «با معرفی این لرزش‌ها و لرزش‌های فرکانس بالا، داده‌های ما به شبیه‌ساز اجازه می‌دهد تا اطلاعات بسیار بیشتری در مورد سیستم کلی استخراج کند.

الگوریتم آموزشی آنها این سناریوهای فید را خروجی می دهد که می توانند از آنها برای آموزش شبیه ساز دقیق تر و سازگارتر استفاده کنند.

سلین می‌گوید: “در آینده، قطعاً آب و هوا و سناریوهایی را خواهیم دید که قبلاً ندیده‌ایم. اگر بتوانیم این سناریوهای مختلف را قوی‌تر شبیه‌سازی کنیم، می‌توانیم اطلاعات قابل اعتمادتری را در اختیار ذینفعانی قرار دهیم که به آن نیاز دارند.”

به عنوان مثال، یک شبیه ساز آموزش دیده با تکنیک خود می تواند اثرات سیاست های کنترل آلاینده محلی را که یکی از آلاینده ها را کاهش می دهد در حالی که سایر انتشارات همچنان در حال افزایش هستند، ضبط کند. شبیه سازهای سنتی که آنها ارزیابی کردند در این آزمون شکست خوردند.

در دراز مدت، Womack امیدوار است که این کار باعث بهبود کاربرد شبیه سازهای سریع و سازگار آب و هوا برای تدوین سیاست شود.

“این بخش مهمی از فرآیند ایجاد ابزارهای مفیدی است که نیازهای ذینفعان را برآورده می کند. از آنجا که فرآیند آموزش برای یک شبیه ساز ممکن است ماه ها یا حتی سال ها طول بکشد، شبیه سازهایی که ما داریم معمولا قدیمی هستند. با کوتاه کردن زمان تولید، من فکر می کنم این تکنیک از نظر قرار دادن ابزارهای به روز در دستان محققان و متخصصان، تغییری در بازی خواهد داشت.”

در آینده، محققان می خواهند تکنیک خود را با استفاده از یک سناریوی انتشار تولید شده توسط یک ESM کامل آزمایش کنند. آن‌ها همچنین می‌خواهند آن را در انواع دیگر مدل‌های آب و هوا به کار ببرند و اثربخشی آن را در کاربردهای گسترده‌تر یادگیری ماشین و بینایی کامپیوتری بررسی کنند.

این تحقیق بخشی از پروژه Bringing Computation to the Climate Challenge (BC3) است و توسط Schmidt Sciences از طریق MIT Grand Challenges پشتیبانی می شود.