CCC از سه جلسه علمی در کنفرانس سالانه AAAS امسال پشتیبانی کرد، و در صورتی که نتوانستید شخصاً در آن شرکت کنید، ما هر جلسه را خلاصه میکنیم. این هفته، نکات مهم جلسه را خلاصه می کنیم،هوش مصنوعی مولد در علم: وعده ها و دام ها" در بخش سوم، ارائه دکتر دانکن واتسون-پاریس، استادیار موسسه اقیانوسشناسی اسکریپس و موسسه علوم داده Halıcıoğlu در UC San Diego را خلاصه میکنیم.
پس از ارائه دکتر مارکوس بوهلر در مورد هوش مصنوعی مولد در مکانیک زیست شناسی، دکتر واتسون-پاریس توجه مخاطبان را به کاربردهای هوش مصنوعی مولد در علوم آب و هوا معطوف کرد. او با تشریح تفاوت بین آب و هوا و آب و هوا شروع کرد. آب و هوا به شرایط جوی کوتاه مدت اشاره دارد، در حالی که آب و هوا شرایط جوی طولانی مدت را توصیف می کند. به طور خلاصه، آب و هوا همان چیزی است که شما انتظار دارید، آب و هوا چیزی است که به دست می آورید. واتسون-پاریس میگوید: «یکی از بزرگترین مسائل مربوط به مدلسازی آب و هوا این است که ما فقط دادههای اخیر از زمانی که شروع به اندازهگیری آب و هوا کردیم، در اختیار داریم.» ایجاد مدلهای دقیقی که الگوهای آب و هوایی و رویدادهای آب و هوایی آینده را پیشبینی میکنند بسیار دشوار است، زیرا تا زمانی که این رویدادها اتفاق نیفتند، نمیتوانیم نتایج را در دنیای واقعی تأیید کنیم. با این حال، برای پیشبینیهای کوتاهمدت، مانند پیشبینی آب و هوا در سه روز آینده، میتوانیم به راحتی صحت این مدلها را تأیید کنیم.
مدل های آب و هوای صنعت در حال حاضر بسیار دقیق هستند. این مدل ها با دقت به اندازه مدل های ملی پیش بینی آب و هوا برای تخمین های کوتاه مدت (پیش بینی های 3-7 روزه) عمل می کنند. با این حال، یکی از بزرگترین مسائل پیش بینی آب و هوا، نمونه برداری از شرایط اولیه آب و هوا است. همانطور که دکتر ویلت در سخنرانی خود اشاره کرد، شرایط شروع بسیار کمی متفاوت ممکن است نتایج بسیار متفاوتی به همراه داشته باشد. دکتر واتسون-پاریس میگوید این در شبیهسازیهای آبوهوا صدق میکند، که میتواند تأثیرات مهمی در دنیای واقعی داشته باشد. الگوی آب و هوا که در زیر نشان داده شده است، یک رودخانه جوی را در سال 2017 در منطقه کالیفرنیا و اورگان معرفی کرد که بارندگی زیادی ایجاد کرد که سد اوروویل ترکید و میلیون ها دلار خسارت وارد کرد. پیشبینی این رویداد دشوار بود، زیرا یک رویداد شدید، دور از ذهن بود. پیشبینیهای یادگیری ماشینی به ما اجازه میدهند تا نمونههای بسیار بیشتری را برای پیشبینی رویدادهای شدید آب و هوایی انجام دهیم و به ما امکان میدهد بهتر برای آنها آماده شویم.
دکتر واتسون-پاریس توضیح میدهد که وقتی محققان در مورد سیستم آب و هوایی فکر میکنند، در مقیاسهای بزرگتر و در بازههای زمانی بزرگتر، در نهایت میبینند که ابرهای متوسط در طول فصول چگونه به نظر میرسند و میتوانند به آمار سیستمها نگاه کنند. این آمار توسط شرایط مرزی سیستم زمین کنترل می شود - مقدار انرژی ورودی و خروجی. هنگامی که مشکل به این صورت طرحریزی شود، میتوانیم به طور میانگین پیشبینی کنیم که ابرها در طول فصول کجا خواهند بود و فرصتهایی برای استفاده از یادگیری ماشینی برای بهبود و کشف این پیشبینیهای مختلف وجود دارد. یکی از وظایف مدلهای اقلیمی این است که پیشبینی کنند – درک اینکه چگونه آب و هوا در آینده تحت تأثیرات مختلف انسانی تغییر خواهد کرد. اینها برای کشف آینده های احتمالی طراحی شده اند. برای انجام این کار، محققان مسیرهای اجتماعی-اقتصادی معقول تری را برای چگونگی عملکرد جامعه در آینده ایجاد می کنند.
در زیر تصویری از دکتر واتسون-پاریس نمایش داده شده است که برخی از مسیرهای ممکن جامعه را در آینده نشان می دهد که باید در این مدل های آب و هوایی در نظر گرفته شوند. در سمت چپ، یک مدل پایداری وجود دارد که تا پایان قرن اجباری آب و هوا - میزان گرمایشی که انسان بر سیستم تحمیل میکند - را در سطح پایینتری نگه میدارد. از سوی دیگر، سناریوی توسعه سوخت فسیلی در سمت راست نوعی بدترین سناریو است. این یک نمونه بسیار پراکنده از راه هایی است که بشر ممکن است به 2100 برسد.
در عمل، هنگام تصمیمگیری در مورد سناریوی آب و هوا و برقراری ارتباط با سیاستگذارانی که میخواهند تأثیر تصمیمات خود را درک کنند، محققان شبیهسازهای مدل آب و هوایی ساده را آموزش میدهند. این شبیهسازها پیشبینیهایی را برای انتشارهای مختلف مانند CO2 و متان و نیروهای آب و هوایی کوتاه مدت مانند کربن سیاه و سولفات در نظر میگیرند و محققان میتوانند پاسخ این مدلهای آب و هوایی را بر اساس دادههای آموزشی تقلید کنند. واتسون-پاریس میگوید: «ما میتوانیم مدلهای کمابیش پیچیدهای از واکنش جهانی دمای متوسط جهانی به این انتشارات را تطبیق دهیم». این مدلها به خوبی کار میکنند زیرا دانشمندان درک خوبی از فیزیک اساسی دارند. اما هیچ کس در دمای متوسط جهانی زندگی نمی کند و ما همه این تغییرات را متفاوت احساس خواهیم کرد، بنابراین برای درک تغییرات منطقه ای، دانشمندان میانگین جهانی را در نظر می گیرند و تغییر الگو را به موقعیت های منطقه ای مقیاس می دهند. این مدلها به خوبی کار میکنند، اما تاثیری را که این انتشارات ممکن است به صورت محلی داشته باشند، از دست میدهند. به عنوان مثال، کربن سیاه به طور خاص عمدتاً در جنوب آسیا منتشر می شود و تأثیرات آن بیشتر در جنوب آسیا احساس خواهد شد.
اگر این مشکل در یک تنظیمات رگرسیون قاب شود، می بینیم که ممکن است فرصت هایی برای یادگیری ماشین وجود داشته باشد. "به عنوان بخشی از نیمکت آب و هوا دکتر واتسون-پاریس میگوید: مقالهای که یک سال پیش نوشتیم، گفتیم که میتوانیم انتشار و غلظت گازهای گلخانهای و نقشههای انتشار سولفات و کربن سیاه را بگیریم و آنها را مستقیماً روی مدلهای آب و هوایی برگردانیم تا پیشبینیها را ببینیم. همچنین لازم نیست خودمان را محدود به دما کنیم، میتوانیم بارش و سایر متغیرها را در نظر بگیریم. به این ترتیب میتوانیم شبیهسازهایی از مدلهای آب و هوایی بسازیم که پیشبینی میکنند مدل آب و هوا برای مقدار معینی دیاکسید کربن منتشر شده چه چیزی تولید میکند و به ما اجازه میدهد این مدلها را بر روی یک لپتاپ به جای یک ابر رایانه اجرا کنیم.»
دکتر واتسون-پاریس سپس تصویری از 3 درک متفاوت از واکنش دمای جهانی را در سناریوی سیاست آب و هوایی عقب مانده و در میانه راه به نمایش گذاشت. دو ستون اول شبیه سازهای یادگیری ماشینی هستند و سومی شبیه سازی مدل آب و هوایی با پیچیدگی کامل است که یک هفته در یک ابر کامپیوتر به طول انجامید. واتسون-پاریس می گوید: «نتایج هر یک از این مدل ها تقریباً غیرقابل تشخیص است. این مدل های آب و هوایی کار بسیار خوبی در پیش بینی دقیق این الگوی گرم شدن انجام می دهند. آنها حتی در پیش بینی الگوهای بارش نیز به خوبی کار می کنند. این مدلها دسترسی و مشارکت را بهبود میبخشند و به سازمانها و سیاستگذاران کوچکتر اجازه میدهند بدون نیاز به مقادیر زیادی بودجه یا زیرساخت در پیشبینی و اکتشاف آب و هوا شرکت کنند.
این مدلها هوش مصنوعی مولد نیستند، آنها مدلهای رگرسیون مستقیم هستند و یک ورودی داده شده همیشه همان نتیجه را نشان میدهد. با این حال، فرصتهایی برای استفاده از مدلهای مولد و انتشار برای در نظر گرفتن توزیعهای احتمالی آب و هوا برای ایجاد وضعیتهای آب و هوایی، امروزه در حال بررسی است. محققان از این مدلها برای پیشبینی اقلیم و الگوهای آب و هوای آینده با توجه به سناریوهای مختلف اجباری آب و هوا استفاده میکنند. دکتر واتسون-پاریس میگوید: «مشکلها همچنان پابرجا هستند، زیرا هنوز هیچ «حقیقت پایهای» برای تأیید پیشبینیها وجود ندارد، و ما هنوز باید دریابیم که چگونه مدلهای آماری را کالیبره کنیم، اما این آینده پیشبینی آب و هوا است، و من من خوشبین هستم که این ابزارها دسترسی، مشارکت و درک آینده علم آب و هوا را افزایش دهند.»
از اینکه خواندید متشکرم و فردا منتظر آخرین پست این مجموعه وبلاگ باشید که بخش پرسش و پاسخ این پنل را خلاصه می کند.
- محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
- PlatoData.Network Vertical Generative Ai. به خودت قدرت بده دسترسی به اینجا.
- PlatoAiStream. هوش وب 3 دانش تقویت شده دسترسی به اینجا.
- PlatoESG. کربن ، CleanTech، انرژی، محیط، خورشیدی، مدیریت پسماند دسترسی به اینجا.
- PlatoHealth. هوش بیوتکنولوژی و آزمایشات بالینی. دسترسی به اینجا.
- منبع: https://feeds.feedblitz.com/~/874057523/0/cccblog~CCC-AAAS-Generative-AI-in-Science-Promises-and-Pitfalls-Recap-%e2%80%93-Part-Three/
- :است
- :نه
- :جایی که
- 2017
- a
- قادر
- درباره ما
- دسترسی
- حساب
- دقت
- دقیق
- به درستی
- عمل
- پیش
- AI
- معرفی
- اجازه دادن
- اجازه دادن
- تقریبا
- قبلا
- همچنین
- همیشه
- am
- مقدار
- مقدار
- an
- و
- سالیانه
- برنامه های کاربردی
- هستند
- AS
- آسیا
- دستیار
- At
- جوی
- مراجعه كردن
- توجه
- میانگین
- مستقر
- BE
- زیرا
- آغاز شد
- بودن
- در زیر
- بهتر
- میان
- سیاه پوست
- بلاگ
- مرز
- ساختن
- اما
- by
- کالیفرنیا
- CAN
- کربن
- مورد
- باعث می شود
- CCC
- وبلاگ CCC
- قرن
- تغییر دادن
- تبادل
- اقلیم
- ستون ها
- بیا
- آینده
- ارتباط
- پیچیده
- پیچیدگی
- شرایط
- کنفرانس
- ایجاد
- خسارت
- داده ها
- علم اطلاعات
- روز
- روز
- تصمیم گیری
- تصمیم گیری
- توصیف
- طراحی
- پروژه
- دیگو
- تفاوت
- مختلف
- متفاوت است
- مشکل
- انتشار
- مستقیما
- نمایش داده
- توزیع
- do
- دلار
- آیا
- پایین
- dr
- دانکن
- در طی
- هر
- زمین
- به آسانی
- تولید گازهای گلخانه ای
- پایان
- انرژی
- به خصوص
- حتی
- واقعه
- حوادث
- در نهایت
- مثال
- انتظار
- توضیح می دهد
- اکتشاف
- اکتشاف
- کشف
- مفرط
- احساس
- خطا
- شکل
- نام خانوادگی
- مناسب
- برای
- نیروهای
- مجبور
- پیش بینی
- پیش بینی
- فسیلی
- سوخت فسیلی
- از جانب
- سوخت
- کامل
- بودجه
- آینده
- آینده
- تولید می کنند
- تولید
- مولد
- هوش مصنوعی مولد
- دریافت کنید
- GIF
- داده
- جهانی
- پاسخ جهانی
- Go
- رفتن
- خوب
- افرین
- اداره می شود
- دست
- آیا
- he
- او
- زیاد
- های لایت
- چگونه
- چگونه
- اما
- HTTPS
- بزرگ
- انسان
- بشریت
- انسان
- i
- تصویر
- تأثیر
- اثرات
- مهم
- تحمیل
- بهبود
- in
- افزایش
- شالوده
- اول
- ورودی
- موسسه
- موسسه
- به
- معرفی
- مسائل
- IT
- کار
- تنها
- نگه می دارد
- نوع
- لپ تاپ
- تا حد زیادی
- بزرگتر
- بزرگترین
- نام
- یادگیری
- ترک کرد
- کمتر
- سطح
- پسندیدن
- زندگی
- به صورت محلی
- طولانی
- نگاه کنيد
- به دنبال
- از دست دادن
- کاهش
- دستگاه
- فراگیری ماشین
- ساخت
- نقشه ها
- حداکثر عرض
- ممکن است..
- متوسط
- اندازه گیری
- متان
- متوسط
- قدرت
- میلیون ها نفر
- مدل
- مدل سازی
- مدل
- بیش
- اغلب
- بسیار
- ملی
- نیاز
- نیازمند
- بعد
- نه
- of
- on
- ONE
- فقط
- به سوی
- فرصت ها
- خوش بین
- or
- اورگان
- سازمان های
- دیگر
- خودمان
- خارج
- دادههای خارج از محدوده
- طرح کلی
- روی
- تابلو
- مقاله
- بخش
- شرکت کردن
- مشارکت
- ویژه
- عبور
- مسیرها
- الگو
- الگوهای
- انجام
- دوره ها
- شخص
- فیزیک
- افلاطون
- هوش داده افلاطون
- PlatoData
- محتمل
- سیاست
- سیاستگذاران
- بخشی
- ممکن
- پست
- تمرین
- پیش بینی
- پیش بینی
- پیش گویی
- پیش بینی
- آماده
- ارائه
- مشکل
- تولید کردن
- معلم
- پیش بینی
- وعده
- پرسش و پاسخ
- باران
- نسبتا
- مطالعه
- واقعی
- دنیای واقعی
- خلاصه
- اخیر
- اشاره دارد
- منطقه
- منطقهای
- محققان
- پاسخ
- نتیجه
- نتایج
- برگشت
- راست
- رودخانه
- جاده
- دویدن
- سعید
- همان
- سان
- سن دیگو
- می گوید:
- مقیاس
- مقیاس ها
- سناریو
- سناریوها
- علم
- علوم
- علمی
- دانشمندان
- فصل
- دیدن
- سلسله
- جلسه
- جلسات
- محیط
- کوتاه
- نشان داده شده
- طرف
- ساده
- شبیه سازی
- شبیه سازی
- شرایط
- کمی متفاوت
- کوچکتر
- So
- جامعه
- اجتماعی و اقتصادی
- برخی از
- جنوب
- راه افتادن
- ایالات
- آماری
- ارقام
- ماندن
- هنوز
- راست
- چنین
- خلاصه کردن
- ابر کامپیوتر
- پشتیبانی
- پایداری
- سیستم
- سیستم های
- گرفتن
- صورت گرفته
- مصرف
- صحبت
- وظایف
- مدت
- نسبت به
- که
- La
- آینده
- شان
- آنها
- سپس
- آنجا.
- اینها
- آنها
- فکر می کنم
- سوم
- این
- این هفته
- کسانی که
- سه
- زمان
- به
- امروز
- فردا
- در زمان
- ابزار
- قطار
- آموزش
- درست
- کوک شده
- تبدیل
- دو
- زیر
- اساسی
- فهمیدن
- درک
- تا
- us
- استفاده کنید
- با استفاده از
- به شدت
- بررسی
- بسیار
- می خواهم
- بود
- مسیر..
- راه
- we
- هوا
- هفته
- خوب
- چی
- چه زمانی
- در حالیکه
- که
- WHO
- اراده
- با
- بدون
- مهاجرت کاری
- جهان
- بدترین
- نوشت
- سال
- بازده
- شما
- زفیرنت