Le CCC a soutenu trois sessions scientifiques lors de la conférence annuelle de l'AAAS de cette année, et au cas où vous ne pourriez pas y assister en personne, nous récapitulerons chaque session. Cette semaine, nous résumerons les moments forts de la séance, »L'IA générative en science : promesses et pièges.» Dans la troisième partie, nous résumons la présentation du Dr Duncan Watson-Parris, professeur adjoint à la Scripps Institution of Oceanography et au Halıcıoğlu Data Science Institute de l'UC San Diego.

Après la présentation du Dr Markus Buehler sur l'IA générative en mécanobiologie, le Dr Watson-Parris a attiré l'attention de l'auditoire sur les applications de l'IA générative dans les sciences du climat. Il a commencé par souligner la différence entre le climat et la météo. La météo fait référence aux conditions atmosphériques à court terme, tandis que le climat décrit les conditions atmosphériques à long terme. En bref, le climat est ce à quoi vous vous attendez, la météo est ce que vous obtenez. "L'un des plus gros problèmes liés à la modélisation climatique", explique Watson-Parris, "est que nous ne disposons que de données récentes datant du moment où nous avons commencé à prendre des mesures climatiques." Créer des modèles précis qui prédisent les tendances climatiques et les événements météorologiques futurs est particulièrement difficile, car nous ne pouvons pas vérifier les résultats dans le monde réel tant que ces événements ne se produisent pas. Cependant, pour les prévisions à plus court terme, comme les prévisions météorologiques des trois prochains jours, nous pouvons facilement vérifier l’exactitude de ces modèles.

Les modèles météorologiques industriels sont déjà très précis. Ces modèles fonctionnent avec autant de précision que les modèles nationaux de prévisions météorologiques pour les estimations à court terme (prévisions d'environ 3 à 7 jours). Cependant, l’un des plus grands problèmes liés aux prévisions météorologiques réside dans l’échantillonnage des conditions météorologiques initiales. Comme le Dr Willett l'a souligné dans son exposé, des conditions de départ très légèrement différentes peuvent donner des résultats très différents. Cela est vrai dans les simulations météorologiques, explique le Dr Watson-Parris, qui peuvent avoir d'importantes répercussions dans le monde réel. Les conditions météorologiques, illustrées ci-dessous, ont introduit une rivière atmosphérique en 2017 dans la région de la Californie et de l'Oregon, qui a généré tellement de pluie que le barrage d'Oroville a éclaté, causant des millions de dollars de dégâts. Cet événement était difficile à prévoir, car il s’agissait d’un événement extrême, aberrant. Les prévisions d’apprentissage automatique nous permettent d’effectuer des quantités d’échantillonnage beaucoup plus importantes pour prédire davantage d’événements météorologiques extrêmes, nous permettant ainsi de mieux nous y préparer. 

Lorsque les chercheurs réfléchissent au système climatique, explique le Dr Watson-Parris, en examinant des échelles et des périodes de temps plus grandes, ils finissent par voir à quoi ressemblent les nuages ​​moyens au fil des saisons et peuvent examiner les statistiques des systèmes. Ces statistiques sont régies par les conditions aux limites du système terrestre – la quantité d’énergie entrant et sortant. Lorsque le problème est formulé de cette manière, nous pouvons alors prédire en moyenne où se trouveront les nuages ​​au cours des saisons, et il existe des possibilités d’utiliser l’apprentissage automatique pour améliorer et explorer ces différentes prédictions. L’une des tâches des modèles climatiques est de faire des projections, c’est-à-dire de comprendre comment le climat évoluera à l’avenir sous différentes influences humaines. Ceux-ci sont conçus pour explorer les futurs possibles. Pour ce faire, les chercheurs génèrent des trajectoires socio-économiques plus plausibles sur la manière dont la société pourrait agir à l’avenir. 

Vous trouverez ci-dessous une image affichée par le Dr Watson-Parris, qui illustre certaines trajectoires possibles que la société pourrait emprunter à l'avenir et qui doivent être prises en compte dans ces modèles climatiques. Sur le côté gauche se trouve un modèle de durabilité qui, d’ici la fin du siècle, maintient le forçage climatique – la quantité de réchauffement que les humains imposent au système – à un niveau inférieur. D’un autre côté, le scénario de développement des combustibles fossiles présenté à droite est une sorte de pire scénario. Il s’agit là d’un échantillon très clairsemé des moyens par lesquels l’humanité pourrait atteindre 2100. 

En pratique, lorsqu’ils décident du scénario climatique et communiquent avec les décideurs politiques qui souhaitent comprendre l’impact de leurs décisions, les chercheurs forment de simples émulateurs de modèles climatiques. Ces émulateurs prennent en compte les projections de différentes émissions, telles que le CO2 et le méthane, et les forces climatiques de courte durée comme le carbone noir et le sulfate, et les chercheurs peuvent émuler la réponse de ces modèles climatiques, sur la base de données d'entraînement. "Nous pouvons adapter des modèles plus ou moins complexes de la réponse globale de la température moyenne mondiale à ces émissions", explique Watson-Parris. « Ces modèles fonctionnent raisonnablement bien parce que les scientifiques ont une bonne compréhension de la physique sous-jacente. Mais personne ne vit dans la température moyenne mondiale, et nous ressentirons tous ces changements différemment. Ainsi, pour comprendre les changements régionaux, les scientifiques prennent la moyenne mondiale et adaptent les changements de tendance aux situations régionales. Ces modèles fonctionnent bien, mais ils perdent l’impact que ces émissions pourraient avoir localement. Par exemple, le carbone noir, en particulier, est largement émis en Asie du Sud, et ses impacts se feront principalement sentir en Asie du Sud.

Si ce problème est formulé dans un contexte de régression, nous voyons qu’il pourrait y avoir des opportunités pour l’apprentissage automatique. "En tant que membre de Banc climatique Dans notre article que nous avons rédigé il y a un an », explique le Dr Watson-Parris, « nous disions que nous pouvions prendre les émissions et les concentrations de gaz à effet de serre ainsi que les cartes des émissions de sulfate et de carbone noir et les régresser directement sur les modèles climatiques pour obtenir des prévisions. Nous n'avons pas non plus à nous limiter à la température, nous pouvons prendre en compte les précipitations et d'autres variables. De cette façon, nous pouvons créer des émulateurs de modèles climatiques qui prédisent ce que le modèle climatique produira pour une quantité donnée de CO2 émise et nous permettent d’exécuter ces modèles sur un ordinateur portable plutôt que sur un superordinateur. 

Le Dr Watson-Parris a ensuite montré une image de 3 réalisations différentes de la réponse de la température mondiale dans un scénario de politique climatique modéré. Les deux premières colonnes sont des émulateurs d’apprentissage automatique et la troisième est une simulation de modèle climatique complexe qui a pris une semaine sur un superordinateur. "Les résultats de chacun de ces modèles sont presque impossibles à distinguer", explique Watson-Parris. Ces modèles climatiques font un très bon travail pour prédire avec précision ce schéma de réchauffement. Ils font même un bon travail de prévision des régimes de précipitations. Ces modèles améliorent l'accessibilité et la participation, et permettent aux petites organisations et aux décideurs politiques de participer à la prévision et à l'exploration climatiques sans avoir besoin d'énormes sommes de financement ou d'infrastructures.

Ces modèles ne sont pas de l'IA générative, ce sont des modèles de régression directe, et une entrée donnée renverra toujours le même résultat. Cependant, les possibilités d'utiliser des modèles génératifs et de diffusion pour utiliser les distributions probabilistes du temps afin de générer des états météorologiques sont aujourd'hui explorées. Les chercheurs utilisent ces modèles pour prédire les modèles climatiques et météorologiques du futur, compte tenu de différents scénarios de forçage climatique. « Des difficultés demeurent », déclare le Dr Watson-Parris, « car il n'existe toujours pas de « vérité terrain » pour vérifier les prévisions, et nous devons encore trouver comment calibrer les modèles statistiques, mais c'est là l'avenir de la prévision climatique, et je Je suis optimiste quant au fait que ces outils augmenteront l’accessibilité, la participation et la compréhension de l’avenir de la science du climat.

Merci d'avoir lu et restez à l'écoute demain pour le dernier article de cette série de blogs, résumant la partie questions-réponses de ce panel.

• Contenu propulsé par le référencement et distribution de relations publiques. Soyez amplifié aujourd'hui.
• PlatoData.Network Ai générative verticale. Autonomisez-vous. Accéder ici.
• PlatoAiStream. Intelligence Web3. Connaissance Amplifiée. Accéder ici.
• PlatonESG. Carbone, Technologie propre, Énergie, Environnement, Solaire, La gestion des déchets. Accéder ici.
• PlatoHealth. Veille biotechnologique et essais cliniques. Accéder ici.
• La source: https://feeds.feedblitz.com/~/874057523/0/cccblog~CCC-AAAS-Generative-AI-in-Science-Promises-and-Pitfalls-Recap-%e2%80%93-Part-Three/