دعمت CCC ثلاث جلسات علمية في مؤتمر AAAS السنوي لهذا العام، وفي حالة عدم تمكنك من الحضور شخصيًا، فسوف نقوم بتلخيص كل جلسة. وفي هذا الأسبوع سنلخص أبرز ما جاء في الدورة “الذكاء الاصطناعي التوليدي في العلوم: الوعود والمزالق". في الجزء الثالث، نلخص العرض الذي قدمه الدكتور دنكان واتسون باريس، الأستاذ المساعد في معهد سكريبس لعلوم المحيطات ومعهد هاليجي أوغلو لعلوم البيانات بجامعة كاليفورنيا في سان دييغو.
بعد العرض الذي قدمه الدكتور ماركوس بوهلر حول الذكاء الاصطناعي التوليدي في علم الأحياء الميكانيكي، وجه الدكتور واتسون باريس انتباه الجمهور إلى تطبيقات الذكاء الاصطناعي التوليدي في علوم المناخ. بدأ بتوضيح الفرق بين المناخ والطقس. يشير الطقس إلى الظروف الجوية قصيرة المدى، بينما يصف المناخ الظروف الجوية طويلة المدى. باختصار، المناخ هو ما تتوقعه، والطقس هو ما تحصل عليه. يقول واتسون باريس: "إن إحدى أكبر المشكلات المتعلقة بنمذجة المناخ هي أننا لا نملك سوى بيانات حديثة منذ أن بدأنا في إجراء قياسات المناخ". إن إنشاء نماذج دقيقة تتنبأ بأنماط المناخ والأحداث الجوية المستقبلية أمر بالغ الصعوبة، لأننا لا نستطيع التحقق من النتائج في العالم الحقيقي حتى تحدث هذه الأحداث. ومع ذلك، بالنسبة للتنبؤات قصيرة المدى، مثل توقعات الطقس خلال الأيام الثلاثة المقبلة، يمكننا بسهولة التحقق من دقة هذه النماذج.
نماذج الطقس الصناعية دقيقة للغاية بالفعل. تعمل هذه النماذج بنفس الدقة التي تتمتع بها نماذج التنبؤ بالطقس الوطنية للتقديرات قصيرة المدى (تنبؤات تتراوح من 3 إلى 7 أيام تقريبًا). ومع ذلك، فإن إحدى أكبر المشكلات المتعلقة بالتنبؤ بالطقس هي أخذ عينات من الظروف الجوية الأولية. كما أشارت الدكتورة ويليت في حديثها، فإن ظروف البداية المختلفة قليلاً قد تؤدي إلى نتائج مختلفة إلى حد كبير. وهذا صحيح في عمليات محاكاة الطقس، كما يقول الدكتور واتسون باريس، والتي يمكن أن يكون لها تأثيرات مهمة في العالم الحقيقي. أدى نمط الطقس الموضح أدناه إلى ظهور نهر جوي في عام 2017 في منطقة كاليفورنيا وأوريجون مما أدى إلى هطول أمطار غزيرة لدرجة أن سد أوروفيل انفجر، مما تسبب في أضرار بملايين الدولارات. كان من الصعب التنبؤ بهذا الحدث، لأنه كان حدثًا متطرفًا، وغريبًا. تتيح لنا توقعات التعلم الآلي إجراء كميات أكبر بكثير من العينات للتنبؤ بأحداث الطقس المتطرفة، مما يسمح لنا بالاستعداد لها بشكل أفضل.
عندما يفكر الباحثون في النظام المناخي، يوضح الدكتور واتسون باريس، من خلال النظر إلى مقاييس أكبر وعلى مدى فترات زمنية أطول، في نهاية المطاف يرون كيف تبدو السحب المتوسطة على مدار الفصول، ويمكنهم النظر في إحصائيات الأنظمة. وتخضع هذه الإحصائيات للشروط الحدودية لنظام الأرض، أي كمية الطاقة الداخلة والخارجة. عندما يتم تأطير المشكلة بهذه الطريقة، يمكننا بعد ذلك التنبؤ في المتوسط بمكان تواجد السحب خلال الفصول، وهناك فرص لاستخدام التعلم الآلي لتحسين واستكشاف هذه التنبؤات المختلفة. إحدى مهام النماذج المناخية هي وضع التوقعات – لفهم كيفية تغير المناخ في المستقبل في ظل التأثيرات البشرية المختلفة. وقد تم تصميم هذه لاستكشاف العقود الآجلة المحتملة. وللقيام بذلك، يقوم الباحثون بإنشاء مسارات اجتماعية واقتصادية أكثر منطقية لكيفية تصرف المجتمع في المستقبل.
فيما يلي صورة عرضتها الدكتورة واتسون-باريس، والتي تصور بعض المسارات المحتملة التي قد يسلكها المجتمع في المستقبل والتي يجب أن تؤخذ بعين الاعتبار في هذه النماذج المناخية. على الجانب الأيسر، يوجد نموذج الاستدامة الذي بحلول نهاية القرن سيبقي تأثير المناخ - مقدار الاحترار الذي يفرضه البشر على النظام - عند مستوى أقل. ومن ناحية أخرى، فإن سيناريو تطوير الوقود الأحفوري على الجانب الأيمن هو نوع من السيناريو الأسوأ. هذه عينة متفرقة جدًا من الطرق التي قد تصل بها البشرية إلى عام 2100.
ومن الناحية العملية، عند تحديد السيناريو المناخي والتواصل مع صانعي السياسات الذين يرغبون في فهم تأثير قراراتهم، يقوم الباحثون بتدريب محاكيات نماذج مناخية بسيطة. تأخذ هذه المحاكيات في الاعتبار توقعات الانبعاثات المختلفة، مثل ثاني أكسيد الكربون والميثان، والقوى المناخية قصيرة العمر مثل الكربون الأسود والكبريتات، ويمكن للباحثين محاكاة استجابة هذه النماذج المناخية، بناءً على بيانات التدريب. يقول واتسون باريس: "يمكننا أن نلائم نماذج أكثر أو أقل تعقيدًا للاستجابة العالمية لمتوسط درجة الحرارة العالمية لهذه الانبعاثات". "تعمل هذه النماذج بشكل جيد إلى حد معقول لأن العلماء لديهم فهم جيد للفيزياء الأساسية. ولكن لا أحد يعيش في متوسط درجة الحرارة العالمية، وسوف نشعر بكل هذه التغيرات بشكل مختلف، لذا لفهم التغيرات الإقليمية، يأخذ العلماء المتوسط العالمي ويقيسون تغير النمط ليتناسب مع المواقف الإقليمية. تعمل هذه النماذج بشكل جيد، لكنها تفقد التأثير الذي قد تحدثه هذه الانبعاثات محليًا. على سبيل المثال، ينبعث الكربون الأسود، على وجه الخصوص، إلى حد كبير في جنوب آسيا، وستكون آثار ذلك محسوسة في الغالب في جنوب آسيا.
إذا تم تأطير هذه المشكلة في إعداد الانحدار، فإننا نرى أنه قد تكون هناك فرص للتعلم الآلي. "كجزء من مقعد المناخ يقول الدكتور واتسون باريس: "في الورقة التي كتبناها قبل عام، قلنا إن بإمكاننا أخذ انبعاثات وتركيزات الغازات الدفيئة وخرائط انبعاثات الكبريتات والكربون الأسود وإرجاعها مباشرة إلى النماذج المناخية لمعرفة التنبؤات. ليس علينا أيضًا أن نقيد أنفسنا بدرجة الحرارة، فيمكننا أن نأخذ في الاعتبار هطول الأمطار والمتغيرات الأخرى. وبهذه الطريقة يمكننا بناء محاكيات للنماذج المناخية التي تتنبأ بما سينتجه النموذج المناخي لكمية معينة من ثاني أكسيد الكربون المنبعث، وتسمح لنا بتشغيل هذه النماذج على جهاز كمبيوتر محمول بدلاً من جهاز كمبيوتر فائق السرعة.
بعد ذلك، عرض الدكتور واتسون-باريس صورة لثلاثة إنجازات مختلفة للاستجابة لدرجات الحرارة العالمية في سيناريو السياسة المناخية المتعثرة وفي منتصف الطريق. العمودان الأولان عبارة عن محاكيات للتعلم الآلي، والثالث عبارة عن محاكاة كاملة لنموذج المناخ والتي استغرقت أسبوعًا على كمبيوتر فائق السرعة. يقول واتسون باريس: "لا يمكن تمييز نتائج كل من هذه النماذج تقريبًا". تقوم هذه النماذج المناخية بعمل جيد جدًا في التنبؤ بدقة بهذا النمط من الاحترار. حتى أنهم يقومون بعمل جيد في التنبؤ بأنماط هطول الأمطار. تعمل هذه النماذج على تحسين إمكانية الوصول والمشاركة، وتسمح للمنظمات الصغيرة وصانعي السياسات بالمشاركة في التنبؤ بالمناخ واستكشافه دون الحاجة إلى مبالغ ضخمة من التمويل أو البنية التحتية.
هذه النماذج ليست ذكاءً اصطناعيًا توليديًا، بل هي نماذج انحدار مستقيمة، وسيؤدي الإدخال المحدد دائمًا إلى إرجاع نفس النتيجة. ومع ذلك، يتم اليوم استكشاف فرص استخدام النماذج التوليدية ونماذج الانتشار لأخذ التوزيعات الاحتمالية للطقس لتوليد حالات الطقس. ويستخدم الباحثون هذه النماذج للتنبؤ بالمناخ وأنماط الطقس في المستقبل، في ضوء سيناريوهات التأثير المناخي المختلفة. يقول الدكتور واتسون باريس: "لا تزال هناك صعوبات، لأنه لا توجد حتى الآن "حقيقة أساسية" للتحقق من التوقعات، وما زلنا بحاجة إلى معرفة كيفية معايرة النماذج الإحصائية، ولكن هذا هو مستقبل التنبؤ المناخي، وأنا أنا متفائل بأن هذه الأدوات ستزيد من إمكانية الوصول والمشاركة وفهم مستقبل علوم المناخ.
شكرًا لك على القراءة، وترقب غدًا آخر مشاركة في سلسلة المدونات هذه، والتي تلخص جزء الأسئلة والأجوبة في هذه اللوحة.
- محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
- PlatoData.Network Vertical Generative Ai. تمكين نفسك. الوصول هنا.
- أفلاطونايستريم. ذكاء Web3. تضخيم المعرفة. الوصول هنا.
- أفلاطون كربون، كلينتك ، الطاقة، بيئة، شمسي، إدارة المخلفات. الوصول هنا.
- أفلاطون هيلث. التكنولوجيا الحيوية وذكاء التجارب السريرية. الوصول هنا.
- المصدر https://feeds.feedblitz.com/~/874057523/0/cccblog~CCC-AAAS-Generative-AI-in-Science-Promises-and-Pitfalls-Recap-%e2%80%93-Part-Three/
