CCC는 올해 AAAS 연례 회의에서 세 가지 과학 세션을 지원했으며, 직접 참석하지 못한 경우 각 세션을 요약해 드리겠습니다. 이번 주에는 세션의 하이라이트를 요약해 보겠습니다.과학에서의 생성적 AI: 약속과 함정.” 3부에서는 Scripps 해양학 연구소와 UC San Diego Halıcıoğlu 데이터 과학 연구소의 조교수인 Duncan Watson-Parris 박사의 프레젠테이션을 요약합니다.

기계생물학 분야의 생성 AI에 대한 Markus Buehler 박사의 프레젠테이션에 이어 Watson-Parris 박사는 청중의 관심을 기후 과학의 생성 AI 애플리케이션으로 돌렸습니다. 그는 기후와 날씨의 차이를 설명하는 것으로 시작했습니다. 날씨는 단기적인 대기 상태를 나타내는 반면, 기후는 장기적인 대기 상태를 나타냅니다. 간단히 말해서, 기후는 당신이 기대하는 것이고, 날씨는 당신이 얻는 것입니다. Watson-Parris는 "기후 모델링의 가장 큰 문제 중 하나는 기후 측정을 시작한 시점의 최신 데이터만 가지고 있다는 것입니다."라고 말합니다. 미래의 기후 패턴과 기상 현상을 예측하는 정확한 모델을 만드는 것은 특히 어렵습니다. 왜냐하면 이러한 사건이 발생하기 전까지는 현실 세계에서 결과를 확인할 수 없기 때문입니다. 그러나 향후 3일 동안의 일기 예보와 같은 단기 예측의 경우 이러한 모델의 정확성을 쉽게 확인할 수 있습니다.

산업 기상 모델은 이미 매우 정확합니다. 이 모델은 단기 추정(~3~7일 예측)에 대한 국가 일기예보 모델만큼 정확도가 높습니다. 그러나 일기예보의 가장 큰 문제 중 하나는 초기 기상 조건을 샘플링하는 것입니다. Willett 박사가 강연에서 지적했듯이 시작 조건이 아주 조금만 다르더라도 결과는 크게 달라질 수 있습니다. 실제 세계에 중요한 영향을 미칠 수 있는 기상 시뮬레이션에서는 이것이 사실이라고 Watson-Parris 박사는 말합니다. 아래에 표시된 날씨 패턴은 2017년 캘리포니아와 오레곤 지역에 대기 강을 유입하여 너무 많은 비를 발생시켜 오로빌 댐이 터져 수백만 달러의 피해를 입혔습니다. 이 사건은 극단적인 사건이자 특이치였기 때문에 예측하기가 어려웠습니다. 기계 학습 예측을 통해 훨씬 더 많은 양의 샘플링을 수행하여 더 많은 기상 이변을 예측할 수 있으므로 이에 더 잘 대비할 수 있습니다. 

연구자들이 기후 시스템에 대해 생각할 때 더 큰 규모와 더 긴 기간에 걸쳐 관찰하면 결국 계절에 따라 평균 구름이 어떻게 보이는지 알 수 있고 시스템 통계를 볼 수 있다고 Watson-Parris 박사는 설명합니다. 이러한 통계는 지구 시스템의 경계 조건, 즉 들어오고 나가는 에너지의 양에 따라 결정됩니다. 문제가 이러한 방식으로 구성되면 계절 동안 구름이 어디에 있을지 평균적으로 예측할 수 있으며 기계 학습을 사용하여 이러한 다양한 예측을 개선하고 탐색할 수 있는 기회가 있습니다. 기후 모델의 임무 중 하나는 예측을 하는 것입니다. 즉, 인간의 다양한 영향으로 기후가 미래에 어떻게 변할지 이해하는 것입니다. 이는 가능한 미래를 탐색하도록 설계되었습니다. 이를 위해 연구자들은 사회가 미래에 어떻게 행동할 것인지에 대한 보다 그럴듯한 사회경제적 경로를 생성합니다. 

아래는 Watson-Parris 박사가 표시한 이미지로, 이러한 기후 모델에서 고려해야 할 미래에 사회가 하락할 수 있는 몇 가지 가능한 경로를 묘사합니다. 왼쪽에는 세기 말까지 기후 강제력(인간이 시스템에 부과하는 온난화의 양)을 더 낮은 수준으로 유지하는 지속 가능성 모델이 있습니다. 반면, 오른쪽의 화석연료 개발 시나리오는 일종의 최악의 시나리오이다. 이것은 인류가 2100년에 도달할 수 있는 방법에 대한 매우 희박한 표본입니다. 

실제로 기후 시나리오를 결정하고 결정의 영향을 이해하려는 정책 입안자와 소통할 때 연구원은 간단한 기후 모델 에뮬레이터를 교육합니다. 이러한 에뮬레이터는 CO2 및 메탄과 같은 다양한 배출과 흑탄소 및 황산염과 같은 단기 기후 요인에 대한 예측을 고려하며 연구자들은 훈련 데이터를 기반으로 이러한 기후 모델의 반응을 에뮬레이션할 수 있습니다. Watson-Parris는 “우리는 이러한 배출에 대한 지구 평균 기온의 지구적 반응에 대한 다소 복잡한 모델을 적용할 수 있습니다.”라고 말합니다. “이러한 모델은 과학자들이 기본 물리학을 잘 이해하고 있기 때문에 합리적으로 잘 작동합니다. 그러나 어느 누구도 지구 평균 기온에 살지 않으며 우리는 이러한 모든 변화를 다르게 느낄 것입니다. 따라서 지역 변화를 이해하기 위해 과학자들은 지구 평균을 취하고 지역 상황에 맞게 패턴 변화의 규모를 조정합니다. 이러한 모델은 잘 작동하지만 이러한 배출이 국지적으로 미칠 수 있는 영향을 잃습니다. 예를 들어, 특히 블랙카본은 남아시아에서 주로 배출되며, 그 영향은 대부분 남아시아에서 느껴질 것입니다.”

이 문제가 회귀 설정으로 구성되면 기계 학습의 기회가 있을 수 있음을 알 수 있습니다. “그 일환으로 기후 벤치 Watson-Parris 박사는 이렇게 말합니다. “우리는 2년 전에 쓴 논문에서 온실가스의 배출량과 농도, 황산염과 흑탄소의 배출량 지도를 가져와 이를 기후 모델로 직접 회귀하여 예측을 볼 수 있다고 말했습니다. 또한 온도에 제한을 둘 필요 없이 강수량과 기타 변수를 고려할 수 있습니다. 이런 방식으로 우리는 주어진 COXNUMX 배출량에 대해 기후 모델이 무엇을 생산할 것인지 예측하는 기후 모델 에뮬레이터를 구축하고 슈퍼컴퓨터가 아닌 노트북에서 이러한 모델을 실행할 수 있습니다.” 

그런 다음 Watson-Parris 박사는 도로 기후 정책 시나리오의 중간에 보류된 지구 온도 반응에 대한 3가지 다른 구현 이미지를 표시했습니다. 처음 두 열은 기계 학습 에뮬레이터이고, 세 번째 열은 슈퍼컴퓨터에서 일주일이 걸린 전체 복잡성 기후 모델 시뮬레이션입니다. Watson-Parris는 “이러한 각 모델의 결과는 거의 구별할 수 없습니다.”라고 말합니다. 이러한 기후 모델은 이러한 온난화 패턴을 정확하게 예측하는 데 매우 효과적입니다. 그들은 강수량 패턴을 예측하는 데에도 능숙합니다. 이러한 모델은 접근성과 참여를 향상시키고 소규모 조직과 정책 입안자가 막대한 자금이나 인프라 없이도 기후 예측 및 탐사에 참여할 수 있도록 해줍니다.

이러한 모델은 생성적 AI가 아니며 단순 회귀 모델이며, 주어진 입력은 항상 동일한 결과를 반환합니다. 그러나 오늘날 기상 상태를 생성하기 위해 날씨의 확률적 분포를 취하기 위해 생성 및 확산 모델을 사용할 수 있는 기회가 탐색되고 있습니다. 연구자들은 다양한 기후 강제 시나리오를 고려하여 미래의 기후 및 날씨 패턴을 예측하기 위해 이러한 모델을 사용하고 있습니다. Watson-Parris 박사는 "어려움이 남아 있습니다"라고 말합니다. "예측을 검증할 수 있는 '실측 진실'이 아직 없고 통계 모델을 보정하는 방법을 알아내야 하기 때문입니다. 그러나 이것이 기후 예측의 미래입니다. 나는 이러한 도구가 기후 과학의 미래에 대한 접근성, 참여 및 이해를 높일 것이라고 낙관합니다.”

읽어주셔서 감사합니다. 내일 이 패널의 Q&A 부분을 요약한 이 블로그 시리즈의 마지막 게시물을 기대해 주세요.

• SEO 기반 콘텐츠 및 PR 배포. 오늘 증폭하십시오.
• PlatoData.Network 수직 생성 Ai. 자신에게 권한을 부여하십시오. 여기에서 액세스하십시오.
• PlatoAiStream. 웹3 인텔리전스. 지식 증폭. 여기에서 액세스하십시오.
• 플라톤ESG. 탄소, 클린테크, 에너지, 환경, 태양광, 폐기물 관리. 여기에서 액세스하십시오.
• PlatoHealth. 생명 공학 및 임상 시험 인텔리전스. 여기에서 액세스하십시오.
• 출처: https://feeds.feedblitz.com/~/874057523/0/cccblog~CCC-AAAS-Generative-AI-in-Science-Promises-and-Pitfalls-Recap-%e2%80%93-Part-Three/