सीसीसी ने इस वर्ष के एएएएस वार्षिक सम्मेलन में तीन वैज्ञानिक सत्रों का समर्थन किया, और यदि आप व्यक्तिगत रूप से भाग लेने में सक्षम नहीं थे, तो हम प्रत्येक सत्र का पुनर्कथन करेंगे। इस सप्ताह, हम सत्र की मुख्य बातों का सारांश देंगे, “विज्ञान में जनरेटिव एआई: वादे और नुकसान।” भाग तीन में, हम स्क्रिप्स इंस्टीट्यूशन ऑफ ओशनोग्राफी और यूसी सैन डिएगो में हेलिकियोग्लु डेटा साइंस इंस्टीट्यूट में सहायक प्रोफेसर डॉ. डंकन वॉटसन-पैरिस की प्रस्तुति का सारांश प्रस्तुत करते हैं।
मैकेनोबायोलॉजी में जेनेरेटिव एआई पर डॉ. मार्कस ब्यूहलर की प्रस्तुति के बाद, डॉ. वॉटसन-पैरिस ने दर्शकों का ध्यान जलवायु विज्ञान में जेनेरेटिव एआई अनुप्रयोगों की ओर आकर्षित किया। उन्होंने जलवायु और मौसम के बीच अंतर को रेखांकित करके शुरुआत की। मौसम का तात्पर्य अल्पकालिक वायुमंडलीय स्थितियों से है, जबकि जलवायु दीर्घकालिक वायुमंडलीय स्थितियों का वर्णन करती है। संक्षेप में, जलवायु वह है जिसकी आप अपेक्षा करते हैं, मौसम वह है जो आपको मिलता है। वॉटसन-पैरिस कहते हैं, "जलवायु मॉडलिंग के साथ सबसे बड़े मुद्दों में से एक यह है कि हमारे पास केवल हाल का डेटा है जब हमने जलवायु माप लेना शुरू किया था।" भविष्य के जलवायु पैटर्न और मौसम की घटनाओं की भविष्यवाणी करने वाले सटीक मॉडल बनाना विशेष रूप से कठिन है, क्योंकि हम वास्तविक दुनिया में परिणामों को तब तक सत्यापित नहीं कर सकते जब तक कि ये घटनाएं सामने न आ जाएं। हालाँकि, छोटी अवधि की भविष्यवाणियों के लिए, जैसे कि अगले तीन दिनों में मौसम का पूर्वानुमान, हम इन मॉडलों की सटीकता को आसानी से सत्यापित कर सकते हैं।
उद्योग के मौसम मॉडल पहले से ही बहुत सटीक हैं। ये मॉडल अल्पकालिक अनुमानों (~ 3-7 दिन के पूर्वानुमान) के लिए राष्ट्रीय मौसम पूर्वानुमान मॉडल के समान ही सटीकता के साथ प्रदर्शन करते हैं। हालाँकि, मौसम पूर्वानुमान के साथ सबसे बड़े मुद्दों में से एक प्रारंभिक मौसम स्थितियों का नमूना लेना है। जैसा कि डॉ. विलेट ने अपने भाषण में बताया, बहुत थोड़ी भिन्न प्रारंभिक स्थितियाँ बहुत भिन्न परिणाम दे सकती हैं। डॉ. वॉटसन-पैरिस कहते हैं, मौसम सिमुलेशन में यह सच है, जिसका वास्तविक दुनिया पर महत्वपूर्ण प्रभाव हो सकता है। नीचे दिखाए गए मौसम के पैटर्न ने 2017 में कैलिफोर्निया और ओरेगॉन क्षेत्र में एक वायुमंडलीय नदी की शुरुआत की, जिसने इतनी बारिश पैदा की कि ओरोविले बांध टूट गया, जिससे लाखों डॉलर का नुकसान हुआ। इस घटना की भविष्यवाणी करना कठिन था, क्योंकि यह एक चरम घटना थी, एक बाहरी घटना थी। मशीन लर्निंग पूर्वानुमान हमें अधिक चरम मौसम की घटनाओं की भविष्यवाणी करने के लिए बहुत अधिक मात्रा में नमूने लेने की अनुमति देते हैं, जिससे हम उनके लिए बेहतर तैयारी कर सकते हैं।
जब शोधकर्ता जलवायु प्रणाली के बारे में सोचते हैं, तो डॉ. वॉटसन-पैरिस बताते हैं, बड़े पैमाने पर और बड़ी अवधियों में देखते हुए, अंततः वे देखते हैं कि मौसमों में औसत बादल कैसे दिखते हैं और वे प्रणालियों के आंकड़ों को देख सकते हैं। ये आँकड़े पृथ्वी प्रणाली की सीमा स्थितियों - आने वाली और बाहर जाने वाली ऊर्जा की मात्रा - द्वारा नियंत्रित होते हैं। जब समस्या को इस तरह से तैयार किया जाता है, तो हम औसतन अनुमान लगा सकते हैं कि मौसम के दौरान बादल कहाँ होंगे, और इन विभिन्न भविष्यवाणियों को सुधारने और तलाशने के लिए मशीन लर्निंग का उपयोग करने के अवसर हैं। जलवायु मॉडल का एक कार्य अनुमान लगाना है - यह समझना कि भविष्य में विभिन्न मानवीय प्रभावों के तहत जलवायु कैसे बदलेगी। इन्हें संभावित भविष्य तलाशने के लिए डिज़ाइन किया गया है। ऐसा करने के लिए, शोधकर्ता भविष्य में समाज कैसे कार्य कर सकता है, इसके लिए अधिक प्रशंसनीय सामाजिक-आर्थिक रास्ते तैयार करते हैं।
नीचे डॉ. वॉटसन-पैरिस द्वारा प्रदर्शित एक छवि है, जो भविष्य में समाज के कुछ संभावित मार्गों को दर्शाती है, जिन्हें इन जलवायु मॉडलों में ध्यान में रखने की आवश्यकता है। बाईं ओर, एक स्थिरता मॉडल है जो सदी के अंत तक जलवायु को मजबूर करता है - मनुष्य द्वारा सिस्टम पर लगाई गई वार्मिंग की मात्रा - को निचले स्तर पर रखता है। दूसरी ओर, दाहिनी ओर जीवाश्म ईंधन विकास परिदृश्य एक प्रकार से सबसे खराब स्थिति है। यह उन तरीकों का एक बहुत ही विरल नमूना है जिनसे मानवता 2100 तक पहुँच सकती है।
व्यवहार में, जलवायु परिदृश्य पर निर्णय लेते समय और नीति निर्माताओं के साथ संवाद करते समय, जो उनके निर्णयों के प्रभाव को समझना चाहते हैं, शोधकर्ता सरल जलवायु मॉडल अनुकरणकर्ताओं को प्रशिक्षित करते हैं। ये एमुलेटर विभिन्न उत्सर्जन, जैसे CO2 और मीथेन, और ब्लैक कार्बन और सल्फेट जैसी अल्पकालिक जलवायु शक्तियों के अनुमानों को ध्यान में रखते हैं, और शोधकर्ता प्रशिक्षण डेटा के आधार पर, इन जलवायु मॉडल की प्रतिक्रिया का अनुकरण कर सकते हैं। वॉटसन-पैरिस कहते हैं, "हम इन उत्सर्जनों के लिए वैश्विक औसत तापमान की वैश्विक प्रतिक्रिया के कम या ज्यादा जटिल मॉडल फिट कर सकते हैं।" “ये मॉडल काफी अच्छी तरह से काम करते हैं क्योंकि वैज्ञानिकों को अंतर्निहित भौतिकी की अच्छी समझ है। लेकिन कोई भी वैश्विक औसत तापमान में नहीं रहता है, और हम इन सभी परिवर्तनों को अलग-अलग महसूस करेंगे, इसलिए क्षेत्रीय परिवर्तनों को समझने के लिए, वैज्ञानिक वैश्विक औसत लेते हैं और पैटर्न परिवर्तन को क्षेत्रीय स्थितियों के अनुसार मापते हैं। ये मॉडल अच्छी तरह से काम करते हैं, लेकिन वे स्थानीय स्तर पर इन उत्सर्जनों के प्रभाव को खो देते हैं। उदाहरण के लिए, ब्लैक कार्बन, विशेष रूप से, बड़े पैमाने पर दक्षिण एशिया में उत्सर्जित होता है, और इसका प्रभाव ज्यादातर दक्षिण एशिया में महसूस किया जाएगा।
यदि इस समस्या को प्रतिगमन सेटिंग में तैयार किया गया है, तो हम देखते हैं कि मशीन सीखने के अवसर हो सकते हैं। "जैसे कि हिस्से के रूप में जलवायु पीठ डॉ. वॉटसन-पैरिस कहते हैं, हमने एक साल पहले जो पेपर लिखा था, उसमें हमने कहा था कि हम ग्रीनहाउस गैसों के उत्सर्जन और सांद्रता और सल्फेट और ब्लैक कार्बन के उत्सर्जन के मानचित्र ले सकते हैं और भविष्यवाणियां देखने के लिए उन्हें सीधे जलवायु मॉडल पर वापस ला सकते हैं। हमें खुद को तापमान तक सीमित रखने की ज़रूरत नहीं है, हम वर्षा और अन्य चर को ध्यान में रख सकते हैं। इस तरह हम जलवायु मॉडल के अनुकरणकर्ता बना सकते हैं जो भविष्यवाणी करते हैं कि उत्सर्जित CO2 की एक निश्चित मात्रा के लिए जलवायु मॉडल क्या उत्पादन करेगा और हमें इन मॉडलों को सुपर कंप्यूटर के बजाय लैपटॉप पर चलाने की अनुमति देगा।
इसके बाद डॉ. वॉटसन-पैरिस ने जलवायु नीति परिदृश्य के मध्य में वैश्विक तापमान प्रतिक्रिया की 3 अलग-अलग अनुभूतियों की एक छवि प्रदर्शित की। पहले दो कॉलम मशीन लर्निंग एमुलेटर हैं, और तीसरा एक पूर्ण जटिलता जलवायु मॉडल सिमुलेशन है जिसमें सुपर कंप्यूटर पर एक सप्ताह का समय लगा। वॉटसन-पैरिस कहते हैं, "इनमें से प्रत्येक मॉडल के परिणाम लगभग अप्रभेद्य हैं।" ये जलवायु मॉडल वार्मिंग के इस पैटर्न की सटीक भविष्यवाणी करने का बहुत अच्छा काम करते हैं। वे वर्षा पैटर्न की भविष्यवाणी करने का भी अच्छा काम करते हैं। ये मॉडल पहुंच और भागीदारी में सुधार करते हैं, और छोटे संगठनों और नीति निर्माताओं को भारी मात्रा में धन या बुनियादी ढांचे की आवश्यकता के बिना जलवायु भविष्यवाणी और अन्वेषण में भाग लेने की अनुमति देते हैं।
ये मॉडल जेनरेटिव एआई नहीं हैं, ये सीधे रिग्रेशन मॉडल हैं, और दिया गया इनपुट हमेशा एक ही परिणाम देगा। हालाँकि, मौसम की स्थिति उत्पन्न करने के लिए मौसम के संभाव्य वितरण को लेने के लिए जेनरेटिव और डिफ्यूजन मॉडल का उपयोग करने के अवसर आज तलाशे जा रहे हैं। विभिन्न जलवायु परिवर्तनकारी परिदृश्यों को देखते हुए, शोधकर्ता भविष्य की जलवायु और मौसम के पैटर्न की भविष्यवाणी करने के लिए इन मॉडलों का उपयोग कर रहे हैं। डॉ. वाटसन-पैरिस कहते हैं, "कठिनाइयाँ बनी हुई हैं", क्योंकि भविष्यवाणियों को सत्यापित करने के लिए अभी भी कोई 'जमीनी सच्चाई' नहीं है, और हमें अभी भी यह पता लगाने की ज़रूरत है कि सांख्यिकीय मॉडल को कैसे कैलिब्रेट किया जाए, लेकिन यह जलवायु भविष्यवाणी का भविष्य है, और मैं मैं आशावादी हूं कि ये उपकरण जलवायु विज्ञान के भविष्य की पहुंच, भागीदारी और समझ को बढ़ाएंगे।"
पढ़ने के लिए धन्यवाद, और इस ब्लॉग श्रृंखला की अंतिम पोस्ट के लिए कल बने रहें, जिसमें इस पैनल के प्रश्नोत्तर भाग का सारांश दिया गया है।
- एसईओ संचालित सामग्री और पीआर वितरण। आज ही प्रवर्धित हो जाओ।
- प्लेटोडेटा.नेटवर्क वर्टिकल जेनरेटिव एआई। स्वयं को शक्तिवान बनाएं। यहां पहुंचें।
- प्लेटोआईस्ट्रीम। Web3 इंटेलिजेंस। ज्ञान प्रवर्धित। यहां पहुंचें।
- प्लेटोईएसजी. कार्बन, क्लीनटेक, ऊर्जा, पर्यावरण, सौर, कचरा प्रबंधन। यहां पहुंचें।
- प्लेटोहेल्थ। बायोटेक और क्लिनिकल परीक्षण इंटेलिजेंस। यहां पहुंचें।
- स्रोत: https://feeds.feedblitz.com/~/874057523/0/cccblog~CCC-AAAS-Generative-AI-in-Science-Promises-and-Pitfalls-Recap-%e2%80%93-Part-Three/
