CCC, bu yılki AAAS Yıllık Konferansında üç bilimsel oturumu destekledi ve şahsen katılamamanız durumunda, her oturumun özetini vereceğiz. Bu hafta oturumun öne çıkan başlıklarını özetleyeceğiz, “Bilimde Üretken Yapay Zeka: Vaatler ve Tuzaklar.” Üçüncü Bölüm'de Scripps Oşinografi Enstitüsü ve UC San Diego Halıcıoğlu Veri Bilimi Enstitüsü'nde yardımcı doçent olan Dr. Duncan Watson-Parris'in sunumunu özetliyoruz.

Dr. Markus Buehler'in mekanobiyolojide üretken yapay zeka hakkındaki sunumunun ardından Dr. Watson-Parris, dinleyicilerin dikkatini iklim bilimlerindeki üretken yapay zeka uygulamalarına çevirdi. İklim ve hava durumu arasındaki farkın ana hatlarını çizerek başladı. Hava kısa vadeli atmosferik koşulları ifade ederken, iklim uzun vadeli atmosferik koşulları ifade eder. Kısacası iklim beklediğiniz, hava ise aldığınız şeydir. Watson-Parris şöyle diyor: "İklim modellemeyle ilgili en büyük sorunlardan biri, yalnızca iklim ölçümleri almaya başladığımız zamana ait güncel verilere sahip olmamız." Gelecekteki iklim düzenlerini ve hava olaylarını tahmin eden doğru modeller oluşturmak özellikle zordur çünkü bu olaylar gerçekleşene kadar sonuçları gerçek dünyada doğrulayamayız. Ancak önümüzdeki üç güne ait hava durumu tahminleri gibi daha kısa vadeli tahminler için bu modellerin doğruluğunu kolaylıkla doğrulayabiliyoruz.

Endüstri hava durumu modelleri zaten oldukça doğru. Bu modeller, kısa vadeli tahminler (~3-7 günlük tahminler) için ulusal hava durumu tahmin modelleri kadar doğrulukla çalışır. Ancak hava tahminiyle ilgili en büyük sorunlardan biri, başlangıçtaki hava koşullarını örneklemektir. Dr. Willett'in konuşmasında belirttiği gibi, çok az farklı başlangıç ​​koşulları çok farklı sonuçlara yol açabilir. Dr. Watson-Parris, bunun hava durumu simülasyonları için geçerli olduğunu ve gerçek dünyada önemli etkileri olabileceğini söylüyor. Aşağıda gösterilen hava durumu modeli, 2017 yılında Kaliforniya ve Oregon bölgesinde atmosferik bir nehre neden oldu ve bu nehir o kadar çok yağmur üretti ki, Oroville barajı patladı ve milyonlarca dolarlık hasara neden oldu. Bu olayı tahmin etmek zordu çünkü aşırı bir olaydı, aykırı bir olaydı. Makine öğrenimi tahminleri, daha aşırı hava olaylarını tahmin etmek için çok daha büyük miktarlarda örnekleme yapmamıza olanak tanıyarak bunlara daha iyi hazırlanmamıza olanak tanır. 

Dr. Watson-Parris, araştırmacıların iklim sistemi hakkında düşündüklerinde, daha büyük ölçeklere ve daha geniş zaman dilimlerine baktıklarında, sonunda ortalama bulutların mevsimler boyunca nasıl göründüğünü gördüklerini ve sistem istatistiklerine bakabildiklerini açıklıyor. Bu istatistikler Dünya sisteminin sınır koşullarına, yani giren ve çıkan enerji miktarına göre yönetilir. Sorun bu şekilde çerçevelendiğinde, bulutların mevsimler boyunca nerede olacağını ortalama olarak tahmin edebiliriz ve bu farklı tahminleri geliştirmek ve keşfetmek için makine öğrenimini kullanma fırsatları vardır. İklim modellerinin görevlerinden biri de öngörülerde bulunmak, yani farklı insan etkileri altında iklimin gelecekte nasıl değişeceğini anlamaktır. Bunlar olası gelecekleri keşfetmek için tasarlandı. Bunu yapmak için araştırmacılar toplumun gelecekte nasıl hareket edebileceğine dair daha makul sosyoekonomik yollar üretiyor. 

Aşağıda, bu iklim modellerinde dikkate alınması gereken, toplumun gelecekte ilerleyebileceği bazı olası yolları gösteren, Dr. Watson-Parris'in sergilediği bir resim bulunmaktadır. Sol tarafta, yüzyılın sonuna kadar iklim zorlamasını (insanların sisteme uyguladığı ısınma miktarını) daha düşük bir seviyede tutan bir sürdürülebilirlik modeli var. Öte yandan sağ taraftaki fosil yakıt geliştirme senaryosu bir nevi en kötü senaryodur. Bu, insanlığın 2100'e ulaşabileceği yolların çok seyrek bir örneğidir. 

Uygulamada araştırmacılar, iklim senaryosuna karar verirken ve kararlarının etkisini anlamak isteyen politika yapıcılarla iletişim kurarken basit iklim modeli emülatörlerini eğitiyor. Bu emülatörler, CO2 ve metan gibi farklı emisyonların yanı sıra siyah karbon ve sülfat gibi kısa ömürlü iklim kuvvetlerine ilişkin tahminleri hesaba katıyor ve araştırmacılar, eğitim verilerine dayanarak bu iklim modellerinin tepkisini taklit edebiliyor. Watson-Parris, "Küresel ortalama sıcaklığın bu emisyonlara verdiği küresel tepkinin az çok karmaşık modellerini uydurabiliriz" diyor. "Bu modeller oldukça iyi çalışıyor çünkü bilim adamları temeldeki fiziği iyi anlıyorlar. Ancak hiç kimse küresel ortalama sıcaklıkta yaşamıyor ve tüm bu değişiklikleri farklı şekilde hissedeceğiz, dolayısıyla bölgesel değişiklikleri anlamak için bilim insanları küresel ortalamayı alıyor ve model değişikliğini bölgesel durumlara göre ölçeklendiriyor. Bu modeller iyi çalışıyor ancak bu emisyonların yerel olarak yaratabileceği etkiyi kaybediyorlar. Örneğin, özellikle siyah karbon büyük oranda Güney Asya'da yayılıyor ve bunun etkileri de en çok Güney Asya'da hissedilecek."

Bu sorun bir regresyon ortamında çerçevelenirse makine öğrenimi için fırsatlar olabileceğini görüyoruz. “Bunun bir parçası olarak İklim Tezgahı Bir yıl önce yazdığımız makalede,” diyor Dr. Watson-Parris, “sera gazı emisyonlarını ve konsantrasyonlarını, sülfat ve siyah karbon emisyon haritalarını alıp, tahminleri görmek için bunları doğrudan iklim modellerine gerileyebileceğimizi söyledik. Ayrıca kendimizi sıcaklıkla sınırlamak zorunda değiliz, yağış ve diğer değişkenleri hesaba katabiliriz. Bu şekilde, belirli bir miktarda CO2 salınımı için iklim modelinin ne üreteceğini tahmin eden iklim modellerinin emülatörlerini oluşturabilir ve bu modelleri bir süper bilgisayar yerine bir dizüstü bilgisayarda çalıştırmamıza olanak tanıyabiliriz.” 

Dr. Watson-Parris daha sonra, geri planda kalan, orta yol iklim politikası senaryosunda küresel sıcaklık tepkisine ilişkin 3 farklı gerçekleşmenin görüntüsünü sergiledi. İlk iki sütun, makine öğrenimi emülatörleridir ve üçüncüsü, bir süper bilgisayarda bir hafta süren, tam karmaşıklıktaki bir iklim modeli simülasyonudur. Watson-Parris, "Bu modellerin her birinin sonuçları neredeyse birbirinden ayırt edilemez" diyor. Bu iklim modelleri, bu ısınma modelini doğru bir şekilde tahmin etme konusunda çok iyi bir iş çıkarıyor. Yağış düzenlerini tahmin etme konusunda bile iyi bir iş çıkarıyorlar. Bu modeller erişilebilirliği ve katılımı geliştiriyor ve daha küçük kuruluşların ve politika yapıcıların büyük miktarda finansman veya altyapıya ihtiyaç duymadan iklim tahmini ve araştırmalarına katılmasına olanak tanıyor.

Bu modeller üretken yapay zeka değil, düz regresyon modelleridir ve belirli bir girdi her zaman aynı sonucu verecektir. Bununla birlikte, hava durumlarını oluşturmak için hava durumunun olasılıksal dağılımlarını almak amacıyla üretken ve yayılma modellerini kullanma fırsatları günümüzde araştırılmaktadır. Araştırmacılar, iklimi zorlayan farklı senaryolar göz önüne alındığında, geleceğin iklim ve hava durumunu tahmin etmek için bu modelleri kullanıyor. Dr. Watson-Parris, "Zorluklar devam ediyor" diyor, "çünkü tahminleri doğrulayacak bir 'temel gerçek' hâlâ yok ve hâlâ istatistiksel modellerin nasıl kalibre edileceğini bulmamız gerekiyor, ancak bu, iklim tahmininin geleceği ve ben Bu araçların erişilebilirliği, katılımı ve iklim biliminin geleceğine dair anlayışı artıracağı konusunda iyimserim.”

Okuduğunuz için teşekkür ederiz. Panelin Soru-Cevap bölümünü özetleyen bu blog serisinin son gönderisi için yarın bizi takip etmeye devam edin.

• SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
• PlatoData.Network Dikey Üretken Yapay Zeka. Kendine güç ver. Buradan Erişin.
• PlatoAiStream. Web3 Zekası. Bilgi Genişletildi. Buradan Erişin.
• PlatoESG. karbon, temiz teknoloji, Enerji, Çevre, Güneş, Atık Yönetimi. Buradan Erişin.
• PlatoSağlık. Biyoteknoloji ve Klinik Araştırmalar Zekası. Buradan Erişin.
• Kaynak: https://feeds.feedblitz.com/~/874057523/0/cccblog~CCC-AAAS-Generative-AI-in-Science-Promises-and-Pitfalls-Recap-%e2%80%93-Part-Three/