Új tanítási módszert fejlesztettek az MIT kutatói, amellyel a mesterséges intelligencia sokkal kevesebb számítási adat felhasználásával készíthet gyors éghajlati szimulációkat. A kutatásban egyetlen, célzottan összeállított tanítási forgatókönyv jobb eredményt adott egy egyszerűsített klímamodellen, mint hat hagyományos forgatókönyv együttes használata. A fejlesztés hosszabb távon gyorsabb és rugalmasabb klímakutatást tehet lehetővé.
A Massachusetts Institute of Technology november 12-én számolt be új klímamodellezési kutatásáról, amelynek eredményei a Proceedings of the National Academy of Sciences folyóiratban jelentek meg. A kutatók azt vizsgálták, hogyan lehet hatékonyabban megtanítani a mesterséges intelligenciát a hosszú távú éghajlati változások modellezésére. A hagyományos, rendkívül részletes földrendszermodellek egyetlen jövőbeli forgatókönyv kiszámításához is jelentős szuperszámítógépes kapacitást igényelhetnek, bizonyos esetekben pedig hónapokig futhatnak. Az MI-alapú helyettesítő modellek ezzel szemben akár másodpercek alatt készíthetnek egyszerűsített szimulációkat.
Az ilyen mesterséges intelligencia rendszereket klímaemulátoroknak nevezik. Feladatuk, hogy a részletesebb fizikai modellek működését megtanulva gyorsan becsüljék meg, milyen következményekkel járhatnak a különböző üvegházhatásúgáz-kibocsátási forgatókönyvek. Segítségükkel a kutatók például megvizsgálhatják, hogyan változhat a hőmérséklet vagy a csapadék eloszlása eltérő kibocsátási pályák esetén. A probléma azonban az, hogy a hagyományos emulátorokat gyakran viszonylag kevés, egymáshoz hasonló jövőbeli forgatókönyv alapján tanítják. Emiatt a modellek nehezebben kezelhetnek olyan helyzeteket, amelyek jelentősen eltérnek a korábban látott példáktól.
Az MIT kutatói ezért nem a szokásos kibocsátási forgatókönyvek számát növelték, hanem egy algoritmussal olyan tanítási adatokat állítottak elő, amelyek több információt tartalmaznak a klímarendszer különböző reakcióiról. A mesterségesen összeállított forgatókönyvek akár szokatlanul gyors kibocsátásnövekedéseket vagy -csökkenéseket is tartalmazhatnak. Az egyszerűsített klímamodellen végzett vizsgálatban egyetlen ilyen optimalizált forgatókönyvvel tanított emulátor jobb előrejelző teljesítményt ért el korábban nem látott helyzetekben, mint a hat hagyományos kibocsátási pályán tanított összehasonlító rendszer.
Olvasd el: Óránként frissül a Google új globális időjárás-előrejelző mesterséges intelligenciája
Mennyivel válhatnak megalapozottabbá az energiaellátással, a mezőgazdasággal és az éghajlatvédelemmel kapcsolatos döntések, ha a kutatók sokkal több lehetséges jövőbeli forgatókönyvet vizsgálhatnak meg rövid idő alatt?
A fejlesztés egyik legfontosabb alkalmazási területe az éghajlatváltozáshoz való alkalmazkodás tervezése lehet. Az energiarendszerek, a mezőgazdaság és a vízgazdálkodás számára különösen fontos annak becslése, hogyan változhatnak az időjárási és éghajlati viszonyok a következő évtizedekben. A gyors klímaemulátorokkal a döntéshozók többféle kibocsátáscsökkentési intézkedés lehetséges hatását is összehasonlíthatják. Az MIT módszere például olyan forgatókönyvek elemzését is javíthatja, amelyekben egy adott szennyezőanyag kibocsátása csökken, miközben más kibocsátások tovább növekednek. Ez a különböző környezetpolitikai intézkedések hatásainak elkülönítésében is segítséget jelenthet.
A kutatás eredményeit ugyanakkor nem szabad úgy értelmezni, hogy a mesterséges intelligencia már most egyetlen számítással kiválthatja a teljes földrendszermodellezést. Az MIT jelenlegi vizsgálatai egyszerű és közepes összetettségű éghajlati modellekre épültek, a módszer teljes, nagy részletességű földrendszermodelleken történő igazolása még hátravan. A mostani eredmény azt bizonyítja, hogy megfelelően összeállított tanítási adatokkal egy klímaemulátor jobban képes reprodukálni a vizsgált modellek válaszait. Ez önmagában nem jelenti azt, hogy a valódi jövőbeli éghajlatot is bizonyítottan pontosabban jelezné előre. A kutatók a módszert további modelleken szeretnék tesztelni.
Az MIT fejlesztése fontos új megközelítést kínál a mesterséges intelligencia tudományos alkalmazásában. A kutatás ugyanis azt mutatja, hogy a jobb teljesítményhez nem feltétlenül kell mindig több tanítási adatot és nagyobb számítási kapacitást felhasználni. Bizonyos helyzetekben az adatok tudatos kiválasztása és optimalizálása is jelentős előrelépést eredményezhet. Ha a módszer a nagyobb éghajlati rendszereknél is bizonyítja hatékonyságát, a kutatók gyorsabban készíthetnek naprakész szimulációkat a jövőbeli klímaváltozás lehetséges következményeiről. Ez pedig az éghajlatvédelem mellett az infrastruktúra-fejlesztésben és a hosszú távú gazdasági tervezésben is fontos új lehetőségeket nyithat meg.
Olvasd el ezt is: Tízezer mesterséges intelligencia chipre épülő rendszert tervez a SambaNova és a Supermicro
Források: Massachusetts Institute of Technology, Proceedings of the National Academy of Sciences, Phys.org
CS.SZ.
