CCC תמכה בשלושה מפגשים מדעיים בכנס השנתי של AAAS השנה, ובמקרה שלא הצלחת להשתתף באופן אישי, נסכם כל מפגש. השבוע נסכם את עיקרי המפגש, "AI גנרטיבי במדע: הבטחות ומלכודות." בחלק השלישי, אנו מסכמים את המצגת של ד"ר דאנקן ווטסון-פאריס, עוזר פרופסור ב-Scripps Institution of Oceanography ו-Halıcıoğlu Data Science Institute באוניברסיטת קליפורניה בסן דייגו.
בעקבות המצגת של ד"ר מרקוס בוהלר על AI גנרטיבי במכונוביולוגיה, ד"ר ווטסון-פאריס הפנה את תשומת הלב של הקהל ליישומי בינה מלאכותית גנרטיבית במדעי האקלים. הוא התחיל בהתווה את ההבדל בין אקלים ומזג אוויר. מזג האוויר מתייחס לתנאים אטמוספריים לטווח קצר, ואילו האקלים מתאר תנאים אטמוספריים לטווח ארוך. בקיצור, האקלים הוא מה שאתה מצפה, מזג האוויר הוא מה שאתה מקבל. "אחת הבעיות הגדולות ביותר במודל האקלים", אומרת ווטסון-פאריס, "היא שיש לנו רק נתונים עדכניים מהרגע שהתחלנו לבצע מדידות אקלים." יצירת מודלים מדויקים המנבאים דפוסי אקלים עתידיים ואירועי מזג אוויר היא קשה במיוחד, מכיוון שאיננו יכולים לאמת את התוצאות בעולם האמיתי עד שהאירועים הללו יתממשו. עם זאת, עבור תחזיות לטווח קצר יותר, כגון תחזיות מזג אוויר בשלושת הימים הבאים, אנו יכולים לאמת בקלות את הדיוק של המודלים הללו.
דגמי מזג האוויר בתעשייה הם כבר מאוד מדויקים. מודלים אלה פועלים בדיוק באותה מידה כמו מודלים לאומיים לחיזוי מזג האוויר לאומדנים לטווח קצר (~3-7 תחזיות). עם זאת, אחת הבעיות הגדולות ביותר בחיזוי מזג האוויר היא דגימת תנאי מזג אוויר ראשוניים. כפי שציינה ד"ר ווילט בהרצאתה, תנאי התחלה מעט מאוד שונים עשויים להניב תוצאות שונות בתכלית. זה נכון בהדמיות מזג אוויר, אומר ד"ר ווטסון-פאריס, שיכולות להיות להן השפעות חשובות בעולם האמיתי. דפוס מזג האוויר, המוצג להלן, הציג בשנת 2017 נהר אטמוספרי באזור קליפורניה ואורגון, שיצר כל כך הרבה גשם עד שסכר אורוביל פרץ, וגרם לנזק של מיליוני דולרים. קשה היה לחזות את האירוע הזה, כי זה היה אירוע קיצוני, חריג. תחזיות למידת מכונה מאפשרות לנו לבצע כמויות גדולות בהרבה של דגימה כדי לחזות אירועי מזג אוויר קיצוניים יותר, מה שמאפשר לנו להתכונן אליהם טוב יותר.
כאשר חוקרים חושבים על מערכת האקלים, מסביר ד"ר ווטסון-פאריס, מסתכלים על קנה מידה גדול יותר ועל פני פרקי זמן גדולים יותר, בסופו של דבר הם רואים כיצד עננים ממוצעים נראים על פני עונות השנה והם יכולים להסתכל על סטטיסטיקות של מערכות. נתונים סטטיסטיים אלו נשלטים על ידי תנאי הגבול של מערכת כדור הארץ - כמות האנרגיה הנכנסת והיוצאת. כאשר הבעיה ממוסגרת בצורה זו, אנו יכולים לחזות בממוצע היכן יהיו העננים בעונות השנה, ויש הזדמנויות להשתמש בלמידת מכונה כדי לשפר ולחקור את התחזיות השונות הללו. אחת המשימות של מודלים אקלים היא ליצור תחזיות - להבין כיצד האקלים ישתנה בעתיד תחת השפעות אנושיות שונות. אלה נועדו לחקור עתיד אפשרי. לשם כך, החוקרים מייצרים מסלולים סוציו-אקונומיים סבירים יותר לאופן שבו החברה עשויה לפעול בעתיד.
להלן תמונה שהציגה ד"ר ווטסון-פאריס, שמתארת כמה מסלולים אפשריים שהחברה עשויה לעבור בעתיד, שיש לקחת בחשבון במודלים האקלים הללו. בצד שמאל, נמצא מודל קיימות שעד סוף המאה שומר על כפיית האקלים - כמות ההתחממות שבני אדם כופים על המערכת - לרמה נמוכה יותר. מצד שני, תרחיש פיתוח הדלק המאובנים בצד ימין הוא סוג של תרחיש הגרוע ביותר. זהו דגימה דלילה מאוד של דרכים שבהן האנושות עשויה להגיע לשנת 2100.
בפועל, כאשר מחליטים על תרחיש האקלים ומתקשרים עם קובעי מדיניות שרוצים להבין את ההשפעה של החלטותיהם, החוקרים מאמנים אמולטורים פשוטים של מודל אקלים. אמולטורים אלה לוקחים בחשבון תחזיות עבור פליטות שונות, כגון CO2 ומתאן, וכוחות אקלים קצרי מועד כמו פחמן שחור וסולפט, וחוקרים יכולים לחקות את התגובה של מודלים אקלים אלה, בהתבסס על נתוני אימון. "אנו יכולים להתאים מודלים מורכבים יותר או פחות של התגובה הגלובלית של הטמפרטורה הממוצעת הגלובלית לפליטות אלו", אומר ווטסון-פאריס. "המודלים האלה עובדים בצורה סבירה מכיוון שלמדענים יש הבנה טובה של הפיזיקה הבסיסית. אבל אף אחד לא חי בטמפרטורה הממוצעת הגלובלית, ואנו נרגיש את כל השינויים הללו אחרת, אז כדי להבין שינויים אזוריים, מדענים לוקחים את הממוצע הגלובלי ומדרגים את שינוי הדפוס למצבים אזוריים. מודלים אלה עובדים היטב, אך הם מאבדים את ההשפעה שעשויה להיות לפליטות אלה באופן מקומי. לדוגמה, פחמן שחור, במיוחד, נפלט בעיקר בדרום אסיה, וההשפעות של זה יורגשו בעיקר בדרום אסיה".
אם בעיה זו ממוסגרת בהגדרת רגרסיה, אנו רואים שיכולות להיות הזדמנויות ללמידת מכונה. "כחלק מ ספסל אקלים מאמר שכתבנו לפני שנה", אומר ד"ר ווטסון-פאריס, "אמרנו שאנחנו יכולים לקחת את הפליטות והריכוזים של גזי חממה ומפות של פליטות של סולפט ופחמן שחור ולהחזיר את אלה ישירות למודלים האקלים כדי לראות תחזיות. אנחנו גם לא צריכים להגביל את עצמנו לטמפרטורה, אנחנו יכולים לקחת בחשבון משקעים ומשתנים אחרים. כך נוכל לבנות אמולטורים של דגמי האקלים המנבאים מה יפיק מודל האקלים עבור כמות נתונה של CO2 הנפלטת ולאפשר לנו להפעיל את המודלים הללו על מחשב נייד ולא על מחשב על".
ד"ר ווטסון-פאריס הציג אז תמונה של 3 מימושים שונים של תגובת הטמפרטורה הגלובלית בתרחיש עצוב, באמצע תרחיש מדיניות האקלים של הכביש. שתי העמודות הראשונות הן אמולטורים של למידת מכונה, והשלישית היא הדמיית מודל אקלים במורכבות מלאה שנמשכה שבוע במחשב-על. "התוצאות מכל אחד מהמודלים הללו כמעט בלתי ניתנות להבחין", אומר ווטסון-פאריס. מודלים אקלים אלה עושים עבודה טובה מאוד בחיזוי מדויק של דפוס ההתחממות הזה. הם אפילו עושים עבודה טובה בניבוי דפוסי משקעים. מודלים אלו משפרים את הנגישות וההשתתפות, ומאפשרים לארגונים קטנים יותר ולקובעי מדיניות להשתתף בחיזוי וחקירת אקלים מבלי להזדקק לכמויות אדירות של מימון או תשתית.
מודלים אלה אינם בינה מלאכותית מחוללת, הם מודלים של רגרסיה ישרה, וקלט נתון תמיד יחזיר את אותה תוצאה. עם זאת, נבדקות היום הזדמנויות להשתמש במודלים מחוללים ודיפוזיה כדי לקחת את ההתפלגות ההסתברותית של מזג האוויר כדי ליצור מצבי מזג אוויר. חוקרים משתמשים במודלים אלה כדי לחזות את האקלים ודפוסי מזג האוויר של העתיד, בהתחשב בתרחישים שונים של כפיית אקלים. "עדיין נותרו קשיים", אומר ד"ר ווטסון-פאריס, "מכיוון שעדיין אין 'אמת בסיסית' לאימות התחזיות, ואנחנו עדיין צריכים להבין איך לכייל מודלים סטטיסטיים, אבל זה העתיד של חיזוי האקלים, ואני אני אופטימי שהכלים הללו יגבירו את הנגישות, ההשתתפות וההבנה של עתיד מדעי האקלים".
תודה שקראתם, והישארו מעודכנים מחר לפוסט האחרון של סדרת הבלוג הזו, המסכם את חלק השאלות והתשובות של פאנל זה.
- הפצת תוכן ויחסי ציבור מופעל על ידי SEO. קבל הגברה היום.
- PlatoData.Network Vertical Generative Ai. העצים את עצמך. גישה כאן.
- PlatoAiStream. Web3 Intelligence. הידע מוגבר. גישה כאן.
- PlatoESG. פחמן, קלינטק, אנרגיה, סביבה, שמש, ניהול פסולת. גישה כאן.
- PlatoHealth. מודיעין ביוטכנולוגיה וניסויים קליניים. גישה כאן.
- מקור: https://feeds.feedblitz.com/~/874057523/0/cccblog~CCC-AAAS-Generative-AI-in-Science-Promises-and-Pitfalls-Recap-%e2%80%93-Part-Three/
