CCC は、今年の AAAS 年次会議で 3 つの科学セッションをサポートしました。直接参加できなかった方のために、各セッションの概要を説明します。今週はセッションのハイライトをまとめます。科学における生成 AI: 約束と落とし穴」第 3 部では、カリフォルニア大学サンディエゴ校のスクリップス海洋研究所およびハルチュオール データ サイエンス研究所の助教授であるダンカン ワトソン パリス博士のプレゼンテーションを要約します。
メカノ生物学における生成 AI に関するマルクス ビューラー博士のプレゼンテーションに続き、ワトソン-パリス博士は気候科学における生成 AI の応用に聴衆の注意を向けました。彼は気候と天気の違いを概説することから始めました。天気は短期的な大気状態を指しますが、気候は長期的な大気状態を指します。つまり、気候はあなたが期待するものであり、天気はあなたが得るものです。 「気候モデリングの最大の問題の 1 つは、気候の測定を開始したときの最近のデータしかないことです。」とワトソンパリス氏は言います。将来の気候パターンや気象現象を予測する正確なモデルを作成することは特に困難です。なぜなら、これらの現象が起こるまで現実世界で結果を検証できないからです。ただし、今後 3 日間の天気予報などの短期的な予測の場合は、これらのモデルの精度を簡単に検証できます。
業界の気象モデルはすでに非常に正確です。これらのモデルは、短期推定 (約 3 ～ 7 日の予測) については、全国的な気象予測モデルと同等の精度で実行されます。ただし、天気予報の最大の問題の 2017 つは、初期の気象条件をサンプリングすることです。ウィレット博士が講演の中で指摘したように、開始条件がわずかに異なるだけで、大きく異なる結果が生じる可能性があります。これは気象シミュレーションにも当てはまり、現実世界に重要な影響を与える可能性があるとワトソンパリス博士は言います。以下に示す気象パターンにより、XNUMX 年にカリフォルニアとオレゴン地域に大気中の川が発生し、オロビルダムが決壊するほどの大量の雨が発生し、数百万ドルの損害が発生しました。この出来事は極端な出来事、異常値だったため、予測するのが困難でした。機械学習の予測により、より大量のサンプリングを行ってより多くの異常気象を予測できるようになり、異常気象に対する備えを強化できるようになります。
ワトソン・パリス博士は、研究者が気候システムについて考えるとき、より大きなスケールとより長い期間にわたって検討することで、最終的には季節ごとに平均的な雲がどのように見えるかを確認し、システムの統計を調べることができると説明します。これらの統計は、地球システムの境界条件、つまり出入りするエネルギーの量によって決まります。このように問題を組み立てると、季節の間に雲がどこにあるのかを平均的に予測できるようになり、機械学習を使用してこれらのさまざまな予測を改善し、調査する機会が生まれます。気候モデルの仕事の 1 つは、予測を立てること、つまりさまざまな人間の影響下で気候が将来どのように変化するかを理解することです。これらは、可能性のある未来を探求するために設計されています。これを行うために、研究者は、社会が将来どのように行動するかについて、よりもっともらしい社会経済的経路を生成します。
以下は、ワトソン・パリス博士が表示した画像で、これらの気候モデルで考慮する必要がある、社会が将来進む可能性のあるいくつかの経路を示しています。左側は、今世紀末までに気候強制力、つまり人間がシステムに課す温暖化の量をより低いレベルに抑える持続可能性モデルです。一方、右側の化石燃料開発シナリオは、一種の最悪のシナリオです。これは、人類が 2100 年に到達する方法の非常にまばらなサンプルです。
実際には、気候シナリオを決定し、その決定の影響を理解したい政策立案者とコミュニケーションをとる際に、研究者は単純な気候モデル エミュレーターをトレーニングします。これらのエミュレータは、CO2 やメタンなどのさまざまな排出量や、黒色炭素や硫酸塩などの短命な気候変動の予測を考慮に入れており、研究者はトレーニング データに基づいて、これらの気候モデルの応答をエミュレートできます。 「これらの排出量に対する地球の平均気温の地球規模の反応について、多かれ少なかれ複雑なモデルを当てはめることは可能です」とワトソン・パリス氏は言う。 「科学者は基礎となる物理学をよく理解しているため、これらのモデルはかなりうまく機能します。しかし、世界の平均気温の中に住んでいる人は誰もおらず、これらの変化はすべて異なるように感じられるため、地域の変化を理解するために、科学者は世界の平均を取得し、パターンの変化を地域の状況に合わせてスケールします。これらのモデルはうまく機能しますが、これらの排出が局所的に与える可能性のある影響は失われます。例えば、特にブラックカーボンは主に南アジアで排出されており、その影響は主に南アジアで感じられるでしょう。」
この問題が回帰設定に基づいて構成されている場合、機械学習の機会がある可能性があることがわかります。 「の一環として、 気候ベンチ 「私たちは2年前に書いた論文で、温室効果ガスの排出量と濃度、硫酸塩とブラックカーボンの排出量のマップを取得し、それらを気候モデルに直接回帰して予測を確認できると言いました。」とワトソン・パリス博士は言います。また、気温に制約する必要はなく、降水量やその他の変数を考慮することができます。このようにして、特定の量の COXNUMX 排出に対して気候モデルが何を生成するかを予測する気候モデルのエミュレーターを構築し、これらのモデルをスーパーコンピューターではなくラップトップで実行できるようになります。」
次に、ワトソン・パリス博士は、抑制された中道気候政策シナリオにおける地球の気温反応の 3 つの異なる実現の画像を示しました。最初の XNUMX つの列は機械学習エミュレーターで、XNUMX 番目の列はスーパーコンピューターで XNUMX 週間かかった完全に複雑な気候モデルのシミュレーションです。 「これらの各モデルの結果はほとんど区別がつきません」とワトソン・パリス氏は言います。これらの気候モデルは、この温暖化パターンを正確に予測するのに非常に優れています。降水パターンの予測にも優れています。これらのモデルにより、アクセシビリティと参加が向上し、小規模な組織や政策立案者が巨額の資金やインフラを必要とせずに気候予測や調査に参加できるようになります。
これらのモデルは生成 AI ではなく、直線回帰モデルであり、与えられた入力は常に同じ結果を返します。しかし、今日では、生成モデルと拡散モデルを使用して天気の確率分布を取得し、気象状態を生成する機会が検討されています。研究者たちはこれらのモデルを使用して、さまざまな気候強制シナリオを考慮して、将来の気候と気象パターンを予測しています。 「困難は依然として残っています」とワトソン・パリス博士は言います。「予測を検証するための『真実』がまだなく、統計モデルを調整する方法をまだ見つけ出す必要があるためです。しかし、これが気候予測の未来であり、私はこれらのツールにより、気候科学の将来へのアクセス、参加、理解が促進されると楽観的に思っています。」
お読みいただきありがとうございます。明日は、このパネルの Q&A 部分を要約したこのブログ シリーズの最後の投稿を掲載しますので、お楽しみに。
- SEO を活用したコンテンツと PR 配信。 今日増幅されます。
- PlatoData.Network 垂直生成 Ai。 自分自身に力を与えましょう。 こちらからアクセスしてください。
- プラトアイストリーム。 Web3 インテリジェンス。 知識増幅。 こちらからアクセスしてください。
- プラトンESG。 カーボン、 クリーンテック、 エネルギー、 環境、 太陽、 廃棄物管理。 こちらからアクセスしてください。
- プラトンヘルス。 バイオテクノロジーと臨床試験のインテリジェンス。 こちらからアクセスしてください。
- 情報源： https://feeds.feedblitz.com/~/874057523/0/cccblog~CCC-AAAS-Generative-AI-in-Science-Promises-and-Pitfalls-Recap-%e2%80%93-Part-Three/
