2024. 12. 19. - 09:45
Generatív mesterséges intelligenciával sokkal gyorsabb a klímamodellezés
A generatív mesterséges intelligenciát és fizika adatokat kombináló klímamodell 25-ször gyorsabb, mint a legkorszerűbb jelenlegi eszköz.
Generatív mesterséges intelligencia segítségével rendkívüli módon felgyorsítható a klímamodellezés.
A DallE-hez hasonló, generatív mesterséges intelligencia eszközök mögött álló algoritmusok fizikai alapú adatokkal kombinálva alkalmazhatók jobb módszerek kidolgozására a Föld éghajlatának modellezésére.
Ezt a kombinációt használták fel Seattle-i és San Diego-i informatikusok olyan modell létrehozására, amely 25-ször gyorsabban képes előrejelezni az éghajlati mintázatokat 100 éven át, mint a jelenlegi legkorszerűbb.
A Spherical DYffusion nevű modell egész pontosan 100 év éghajlati mintázatát képes kivetíteni 25 óra alatt – ez a szimuláció más modelleknél hetekig is eltart.
A meglévő csúcstechnológiás modellek ezenkívöl szuperszámítógépeken futnak. Ez a modell GPU-klasztereken is működhet egy kutatólaboratóriumban. Olvasd el: Mesterséges intelligencia - Önjáró vitorlás drónok a klímaváltozás ellen
Generatív mesterséges intelligenciával sokkal gyorsabb a klímamodellezés
„Az adatvezérelt mélytanulási modellek a globális időjárási és éghajlati modellezés átalakításának küszöbén állnak” – tudatták a Kaliforniai Egyetem San Diego és az Allen Institute for AI kutatói.
A kutatócsoport a 2024-es NeurIPS konferencián mutatta be munkáját december közepén a kanadai Vancouverben.
A költségek lefaragása és a sebesség növelése
Az éghajlati szimulációk létrehozása jelenleg az összetettség miatt emészt fel komoly költségeket. Ennek eredményeként a tudósok és a döntéshozók csupán korlátozott ideig tudnak szimulációkat futtatni, s csak korlátozott forgatókönyveket vehetnek figyelembe.
A kutatók egyik kulcsfontosságú meglátása az volt, hogy a generatív mesterséges intelligencia modellek - például a diffúziósak - használhatók az éghajlati előrejelzésekhez.
Ezt kombinálták egy Spherical Neural Operatorral, vagyis olyan neurális hálózati modellel, amelyet arra terveztek, hogy egy gömbön lévő adatokkal dolgozzon.
Az eredményül kapott modell az éghajlati minták ismeretéből indul ki, majd a tanult adatokon alapuló átalakítások sorozatát alkalmazza a jövőbeli minták előrejelzésére.
„A hagyományos diffúziós modellel (DM) szemben modellünk az egyik fő előnye, hogy sokkal hatékonyabb. Lehetséges, hogy ugyanolyan valósághű és pontos előrejelzések generálhatók a hagyományos DM-ekkel, de nem ilyen sebességgel” – tudatták a kutatók.
Amellett, hogy sokkal gyorsabban fut, mint a legmodernebb mai eszköz, a modell közel olyan pontos is - anélkül, hogy számítás szempontjából költséges lenne.
A modell rendelkezik néhány korláttal, melyeket a kutatók a következő iterációi során igyekeznek leküzdeni, például több elemet kell bevonni a szimulációikba. A következő lépések közé tartozik annak szimulációja is, miként reagál a légkör a CO2-ra.
Emulálták a légkört, amely az egyik legfontosabb eleme az éghajlati modellnek – jegyezte meg Rose Yu, az UC San Diego Számítástechnikai és Mérnöki Tanszékének oktatója, a tanulmány egyik vezető szerzője.
A munka egyébként egy szakmai gyakorlatból ered, amelyet Yu egyik PhD hallgatója, Salva Ruhling Cachay végzett az Allen Institute for AI-ban (Ai2) intézetben.
B.A.
