Logo Zephyrnet

Trí thông minh dữ liệu tạo

Quantum

Tóm tắt những lời hứa và cạm bẫy - Phần thứ ba » Blog CCC

Được xuất bản lại bởi Plato
Được xuất bản lại bởi Plato

Ngày:

Lượt xem: 41

CCC đã hỗ trợ ba phiên khoa học tại Hội nghị thường niên AAAS năm nay và trong trường hợp bạn không thể tham dự trực tiếp, chúng tôi sẽ tóm tắt lại từng phiên. Tuần này, chúng tôi sẽ tóm tắt những điểm nổi bật của phiên họp, “AI sáng tạo trong khoa học: Lời hứa và cạm bẫy.” Trong Phần thứ ba, chúng tôi tóm tắt bài trình bày của Tiến sĩ Duncan Watson-Parris, trợ lý giáo sư tại Viện Hải dương học Scripps và Viện Khoa học Dữ liệu Halıcıoğlu tại UC San Diego.

Sau bài trình bày của Tiến sĩ Markus Buehler về AI tạo sinh trong cơ sinh học, Tiến sĩ Watson-Parris đã hướng sự chú ý của khán giả đến các ứng dụng AI tạo sinh trong khoa học khí hậu. Ông bắt đầu bằng việc phác thảo sự khác biệt giữa khí hậu và thời tiết. Thời tiết đề cập đến điều kiện khí quyển ngắn hạn, trong khi khí hậu mô tả điều kiện khí quyển dài hạn. Tóm lại, khí hậu là những gì bạn mong đợi, thời tiết là những gì bạn nhận được. Watson-Parris cho biết: “Một trong những vấn đề lớn nhất với việc lập mô hình khí hậu là chúng tôi chỉ có dữ liệu gần đây kể từ khi chúng tôi bắt đầu thực hiện các phép đo khí hậu”. Việc tạo ra các mô hình chính xác để dự đoán các kiểu khí hậu và sự kiện thời tiết trong tương lai đặc biệt khó khăn vì chúng ta không thể xác minh kết quả trong thế giới thực cho đến khi những sự kiện này xảy ra. Tuy nhiên, đối với những dự đoán ngắn hạn, chẳng hạn như dự báo thời tiết trong ba ngày tới, chúng ta có thể dễ dàng xác minh tính chính xác của các mô hình này.

Các mô hình thời tiết trong ngành đã rất chính xác rồi. Các mô hình này hoạt động với độ chính xác cao như các mô hình dự báo thời tiết quốc gia để ước tính ngắn hạn (dự báo ~ 3-7 ngày). Tuy nhiên, một trong những vấn đề lớn nhất của dự báo thời tiết là lấy mẫu các điều kiện thời tiết ban đầu. Như Tiến sĩ Willett đã chỉ ra trong bài nói chuyện của mình, những điều kiện ban đầu rất khác nhau có thể mang lại những kết quả rất khác nhau. Tiến sĩ Watson-Parris cho biết điều này đúng trong các mô phỏng thời tiết, mô phỏng này có thể có những tác động quan trọng trong thế giới thực. Kiểu thời tiết, được hiển thị bên dưới, đã tạo ra một dòng sông có khí quyển vào năm 2017 ở khu vực California và Oregon, tạo ra lượng mưa lớn đến mức đập Oroville bị vỡ, gây thiệt hại hàng triệu đô la. Sự kiện này rất khó dự đoán vì nó là một sự kiện cực đoan, một sự kiện ngoại lệ. Dự báo học máy cho phép chúng tôi thực hiện số lượng mẫu lớn hơn nhiều để dự đoán các sự kiện thời tiết khắc nghiệt hơn, cho phép chúng tôi chuẩn bị tốt hơn cho chúng. 

Tiến sĩ Watson-Parris giải thích, khi các nhà nghiên cứu nghĩ về hệ thống khí hậu, nhìn trên quy mô lớn hơn và trong khoảng thời gian lớn hơn, cuối cùng họ thấy các đám mây trông như thế nào qua các mùa và họ có thể xem số liệu thống kê của các hệ thống. Những số liệu thống kê này bị chi phối bởi các điều kiện biên của hệ Trái đất – lượng năng lượng vào và ra. Khi vấn đề được trình bày theo cách này, chúng ta có thể dự đoán trung bình vị trí của các đám mây trong các mùa và có cơ hội sử dụng công nghệ học máy để cải thiện và khám phá những dự đoán khác nhau này. Một trong những nhiệm vụ của mô hình khí hậu là đưa ra các dự báo – để hiểu khí hậu sẽ thay đổi như thế nào trong tương lai dưới những tác động khác nhau của con người. Chúng được thiết kế để khám phá tương lai có thể. Để làm điều này, các nhà nghiên cứu tạo ra những lộ trình kinh tế xã hội hợp lý hơn về cách xã hội có thể hành động trong tương lai. 

Dưới đây là hình ảnh mà Tiến sĩ Watson-Parris hiển thị, trong đó mô tả một số con đường có thể xảy ra mà xã hội có thể đi xuống trong tương lai cần được tính đến trong các mô hình khí hậu này. Ở phía bên trái, là một mô hình bền vững mà đến cuối thế kỷ này sẽ giữ cho áp lực khí hậu - mức độ nóng lên mà con người áp đặt lên hệ thống - ở mức thấp hơn. Mặt khác, kịch bản phát triển nhiên liệu hóa thạch ở phía bên phải là một loại kịch bản xấu nhất. Đây là một mẫu rất thưa thớt về những cách mà nhân loại có thể đạt tới năm 2100. 

Trong thực tế, khi quyết định kịch bản khí hậu và giao tiếp với các nhà hoạch định chính sách muốn hiểu tác động của các quyết định của họ, các nhà nghiên cứu sẽ đào tạo các trình mô phỏng mô hình khí hậu đơn giản. Các trình mô phỏng này tính đến các dự báo về lượng khí thải khác nhau, chẳng hạn như CO2 và khí mê-tan cũng như các tác nhân khí hậu tồn tại trong thời gian ngắn như cacbon đen và sunfat, đồng thời các nhà nghiên cứu có thể mô phỏng phản ứng của các mô hình khí hậu này dựa trên dữ liệu đào tạo. Watson-Parris cho biết: “Chúng tôi có thể điều chỉnh các mô hình ít nhiều phức tạp về phản ứng toàn cầu của nhiệt độ trung bình toàn cầu đối với những lượng khí thải này”. “Những mô hình này hoạt động khá tốt vì các nhà khoa học hiểu rõ về vật lý cơ bản. Nhưng không ai sống trong nhiệt độ trung bình toàn cầu và chúng ta sẽ cảm nhận tất cả những thay đổi này một cách khác nhau, vì vậy để hiểu những thay đổi trong khu vực, các nhà khoa học lấy giá trị trung bình toàn cầu và mở rộng quy mô thay đổi mô hình theo tình hình khu vực. Những mô hình này hoạt động tốt nhưng làm mất đi tác động mà lượng khí thải này có thể gây ra tại địa phương. Ví dụ, carbon đen nói riêng được thải ra chủ yếu ở Nam Á và tác động của nó sẽ được cảm nhận chủ yếu ở Nam Á.”

Nếu vấn đề này được đóng khung trong cài đặt hồi quy, chúng tôi thấy có thể có cơ hội cho máy học. “Là một phần của Ghế khí hậu trong bài báo mà chúng tôi đã viết cách đây một năm,” Tiến sĩ Watson-Parris cho biết, “chúng tôi nói rằng chúng tôi có thể lấy lượng phát thải và nồng độ khí nhà kính cũng như bản đồ phát thải sunfat và carbon đen và đưa trực tiếp những dữ liệu đó vào mô hình khí hậu để xem dự đoán. Chúng ta cũng không cần phải hạn chế về nhiệt độ, chúng ta có thể tính đến lượng mưa và các biến số khác. Bằng cách này, chúng tôi có thể xây dựng trình mô phỏng các mô hình khí hậu để dự đoán mô hình khí hậu sẽ tạo ra lượng CO2 nhất định thải ra và cho phép chúng tôi chạy các mô hình này trên máy tính xách tay thay vì siêu máy tính.” 

Tiến sĩ Watson-Parris sau đó đã hiển thị một hình ảnh về 3 nhận thức khác nhau về phản ứng nhiệt độ toàn cầu trong một kịch bản chính sách khí hậu ở giữa đường được giữ lại. Hai cột đầu tiên là trình mô phỏng học máy và cột thứ ba là mô phỏng mô hình khí hậu phức tạp đầy đủ, mất một tuần trên siêu máy tính. Watson-Parris cho biết: “Kết quả từ mỗi mô hình này hầu như không thể phân biệt được”. Những mô hình khí hậu này làm rất tốt việc dự đoán chính xác mô hình nóng lên này. Họ thậm chí còn làm tốt công việc dự đoán mô hình lượng mưa. Những mô hình này cải thiện khả năng tiếp cận và sự tham gia, đồng thời cho phép các tổ chức và nhà hoạch định chính sách nhỏ hơn tham gia vào việc dự đoán và thăm dò khí hậu mà không cần số tiền tài trợ hoặc cơ sở hạ tầng khổng lồ.

Những mô hình này không phải là AI tổng quát, chúng là mô hình hồi quy thẳng và một đầu vào nhất định sẽ luôn trả về cùng một kết quả. Tuy nhiên, các cơ hội sử dụng các mô hình tổng hợp và khuếch tán để phân bổ xác suất của thời tiết nhằm tạo ra các trạng thái thời tiết đang được khám phá ngày nay. Các nhà nghiên cứu đang sử dụng những mô hình này để dự đoán các kiểu khí hậu và thời tiết trong tương lai, đưa ra các kịch bản khí hậu khác nhau. Tiến sĩ Watson-Parris nói: “Vẫn còn khó khăn vì vẫn chưa có 'sự thật cơ bản' để xác minh các dự đoán và chúng ta vẫn cần tìm ra cách hiệu chỉnh các mô hình thống kê, nhưng đây là tương lai của dự báo khí hậu, và tôi Tôi lạc quan rằng những công cụ này sẽ tăng cường khả năng tiếp cận, sự tham gia và hiểu biết về tương lai của khoa học khí hậu.”

Cảm ơn bạn đã đọc và hãy theo dõi bài đăng cuối cùng của loạt blog này vào ngày mai, tóm tắt phần Hỏi & Đáp của bảng này.

tại chỗ_img

Tin tức mới nhất

tại chỗ_img

Bản quyền @ 2024 Plato Technologies Inc.