A CCC három tudományos ülést támogatott az idei AAAS éves konferencián, és ha nem tudott személyesen részt venni, akkor minden ülést összefoglalunk. Ezen a héten összefoglaljuk az ülés legfontosabb eseményeit: „Generatív mesterséges intelligencia a tudományban: Ígéretek és buktatók.” A harmadik részben Dr. Duncan Watson-Parris, a Scripps Institution of Oceanography és a Halıcıoğlu Data Science Institute (UC San Diego) adjunktusa előadását foglaljuk össze.
Dr. Markus Buehler a generatív mesterséges intelligencia a mechanobiológiában című előadását követően Dr. Watson-Parris a klímatudományok generatív mesterségesintelligencia-alkalmazásaira irányította a hallgatóság figyelmét. Azzal kezdte, hogy felvázolta az éghajlat és az időjárás közötti különbséget. Az időjárás rövid távú légköri viszonyokat jelent, míg az éghajlat hosszú távú légköri viszonyokat ír le. Röviden: az éghajlat az, amit elvársz, az időjárás az, amit kapsz. „Az éghajlatmodellezés egyik legnagyobb problémája – mondja Watson-Parris –, hogy csak friss adatokkal rendelkezünk abból az időszakból, amikor elkezdtük az éghajlati méréseket. A jövőbeli éghajlati mintákat és időjárási eseményeket előrejelző pontos modellek létrehozása különösen nehéz, mivel a valós világban nem tudjuk ellenőrizni az eredményeket, amíg ezek az események be nem következnek. A rövidebb távú előrejelzések, például a következő három nap időjárás-előrejelzései esetében azonban könnyen ellenőrizhetjük ezeknek a modelleknek a pontosságát.
Az ipari időjárási modellek már nagyon pontosak. Ezek a modellek ugyanolyan pontossággal teljesítenek, mint a nemzeti időjárás-előrejelzési modellek a rövid távú becsléseknél (~3-7 napos előrejelzések). Az időjárás-előrejelzés egyik legnagyobb problémája azonban a kezdeti időjárási körülmények mintavétele. Ahogyan Dr. Willett rámutatott beszédében, a kissé eltérő indulási feltételek jelentősen eltérő eredményeket hozhatnak. Ez igaz az időjárási szimulációkra, mondja Dr. Watson-Parris, aminek fontos hatásai lehetnek a valós világban. Az alábbiakban látható időjárási minta egy légköri folyót vezetett be 2017-ben Kalifornia és Oregon régiójában, amely annyi esőt termelt, hogy az Oroville-i gát átszakadt, és több millió dolláros kárt okozva. Ezt az eseményt nehéz volt előre jelezni, mert extrém esemény volt, kiugró esemény. A gépi tanulási előrejelzések sokkal nagyobb mennyiségű mintavételt tesznek lehetővé a szélsőségesebb időjárási események előrejelzése érdekében, így jobban felkészülhetünk rájuk.
Amikor a kutatók az éghajlati rendszerre gondolnak, magyarázza Dr. Watson-Parris, nagyobb léptékben és hosszabb időintervallumban vizsgálva, végül meglátják, hogyan néznek ki az átlagos felhők az évszakokon át, és megnézhetik a rendszerek statisztikáit. Ezeket a statisztikákat a Föld rendszerének peremfeltételei szabályozzák – a bejövő és kilépő energia mennyisége. Ha a problémát így fogalmazzuk meg, akkor átlagosan megjósolhatjuk, hol lesznek a felhők az évszakokban, és lehetőség nyílik a gépi tanulás alkalmazására ezeknek a különböző előrejelzéseknek a javítására és feltárására. A klímamodellek egyik feladata az előrejelzések készítése – annak megértése, hogy az éghajlat hogyan változik a jövőben különböző emberi hatások hatására. Ezeket a lehetséges jövők feltárására tervezték. Ennek érdekében a kutatók elfogadhatóbb társadalmi-gazdasági utakat hoznak létre a társadalom jövőbeli cselekvésére.
Az alábbiakban egy Dr. Watson-Parris által megjelenített kép látható, amely néhány lehetséges utat mutat be, amelyeken a társadalom a jövőben elhaladhat, amelyeket figyelembe kell venni ezekben az éghajlati modellekben. A bal oldalon egy fenntarthatósági modell látható, amely a század végére alacsonyabb szinten tartja a klímakényszert – az ember által a rendszerre háruló felmelegedés mértékét. Másrészt a jobb oldalon látható fosszilis tüzelőanyag-fejlesztési forgatókönyv egyfajta legrosszabb forgatókönyv. Ez egy nagyon ritka minta arról, hogyan juthat el az emberiség 2100-ig.
A gyakorlatban az éghajlati forgatókönyv eldöntésekor és a döntéshozókkal való kommunikáció során, akik meg akarják érteni döntéseik hatását, a kutatók egyszerű klímamodell-emulátorokat képeznek ki. Ezek az emulátorok figyelembe veszik a különböző kibocsátások, például a CO2 és a metán, valamint a rövid élettartamú éghajlati erők, például a fekete szén és a szulfát előrejelzéseit, és a kutatók a képzési adatok alapján emulálhatják ezeknek az éghajlati modelleknek a reakcióit. „A globális átlaghőmérsékletnek ezekre a kibocsátásokra adott globális válaszának többé-kevésbé összetett modelljeit illeszthetjük” – mondja Watson-Parris. „Ezek a modellek meglehetősen jól működnek, mert a tudósok jól ismerik a mögöttes fizikát. De senki sem él a globális középhőmérsékletben, és ezeket a változásokat másként fogjuk érezni, ezért a regionális változások megértéséhez a tudósok a globális átlagot veszik, és a mintaváltozást regionális helyzetekre méretezik. Ezek a modellek jól működnek, de elveszítik azt a hatást, amelyet ezek a kibocsátások helyi szinten okozhatnak. Például a fekete szén nagyrészt Dél-Ázsiában kerül kibocsátásra, és ennek hatásai leginkább Dél-Ázsiában lesznek érezhetőek.
Ha ezt a problémát regressziós beállításban fogalmazzuk meg, akkor azt látjuk, hogy lehetnek lehetőségek a gépi tanulásra. „Részeként a Klímapad egy évvel ezelőtt írtunk – mondja Dr. Watson-Parris –, „az üvegházhatású gázok kibocsátását és koncentrációját, valamint a szulfát- és feketeszén-kibocsátási térképeket felvehetjük, és azokat közvetlenül az éghajlati modellekre visszavezethetjük, hogy előrejelzéseket lássunk. Nem kell a hőmérséklethez sem kötnünk magunkat, figyelembe vehetjük a csapadékot és egyéb változókat. Így olyan emulátorokat építhetünk az éghajlati modellekre, amelyek megjósolják, hogy az éghajlati modell adott mennyiségű CO2-kibocsátással mit produkál, és lehetővé teszik számunkra, hogy ezeket a modelleket laptopon futtassuk, nem pedig szuperszámítógépen.”
Dr. Watson-Parris ezután a globális hőmérsékleti reakció 3 különböző megvalósításának képét jelenítette meg egy visszafogott, a közúti klímapolitikai forgatókönyv közepén. Az első két oszlop gépi tanulási emulátor, a harmadik pedig egy teljes komplexitású klímamodell szimuláció, amely egy hétig tartott egy szuperszámítógépen. „E modellek eredményei szinte megkülönböztethetetlenek” – mondja Watson-Parris. Ezek az éghajlati modellek nagyon jó munkát végeznek a felmelegedési minta pontos előrejelzésében. Még a csapadékmintázatok előrejelzésében is jó munkát végeznek. Ezek a modellek javítják a hozzáférhetőséget és a részvételt, és lehetővé teszik a kisebb szervezetek és döntéshozók számára, hogy részt vegyenek az éghajlat előrejelzésében és feltárásában anélkül, hogy hatalmas összegű finanszírozásra vagy infrastruktúrára lenne szükségük.
Ezek a modellek nem generatív mesterséges intelligencia, hanem egyenes regressziós modellek, és egy adott bemenet mindig ugyanazt az eredményt adja vissza. A generatív és diffúziós modellek felhasználásának lehetőségeit azonban ma vizsgálják az időjárás valószínűségi eloszlásának az időjárási állapotok generálására. A kutatók ezeket a modelleket arra használják, hogy előre jelezzék a jövő éghajlati és időjárási mintáit, tekintettel a különböző éghajlati kényszerforgatókönyvekre. „A nehézségek továbbra is fennállnak” – mondja Dr. Watson-Parris –, „mert még mindig nincs „alap igazság” az előrejelzések ellenőrzéséhez, és még mindig ki kell találnunk, hogyan kalibráljuk a statisztikai modelleket, de ez az éghajlat-előrejelzés jövője, és én bizakodó vagyok, hogy ezek az eszközök javítani fogják az éghajlattudomány jövőjének hozzáférhetőségét, részvételét és megértését.”
Köszönjük, hogy elolvasta, és holnap is várjuk a blogsorozat utolsó bejegyzését, amely összefoglalja a panel Kérdések és válaszok részét.
- SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
- PlatoData.Network Vertical Generative Ai. Erősítse meg magát. Hozzáférés itt.
- PlatoAiStream. Web3 Intelligence. Felerősített tudás. Hozzáférés itt.
- PlatoESG. Carbon, CleanTech, Energia, Környezet, Nap, Hulladékgazdálkodás. Hozzáférés itt.
- PlatoHealth. Biotechnológiai és klinikai vizsgálatok intelligencia. Hozzáférés itt.
- Forrás: https://feeds.feedblitz.com/~/874057523/0/cccblog~CCC-AAAS-Generative-AI-in-Science-Promises-and-Pitfalls-Recap-%e2%80%93-Part-Three/
- :is
- :nem
- :ahol
- 2017
- a
- Képes
- Rólunk
- megközelíthetőség
- Fiók
- pontosság
- pontos
- pontosan
- törvény
- Augusztus
- AI
- Minden termék
- lehetővé
- lehetővé téve
- majdnem
- már
- Is
- mindig
- am
- összeg
- Összegek
- an
- és a
- évi
- alkalmazások
- VANNAK
- AS
- Ázsia
- Helyettes
- At
- légköri
- részt vesz
- figyelem
- átlagos
- alapján
- BE
- mert
- kezdődött
- hogy
- lent
- Jobb
- között
- Fekete
- Blog
- határ
- épít
- de
- by
- Kalifornia
- TUD
- szén
- eset
- okozó
- ccc
- CCC blog
- Század
- változik
- Változások
- Klíma
- Oszlopok
- hogyan
- érkező
- kommunikáció
- bonyolult
- bonyolultság
- Körülmények
- Konferencia
- létrehozása
- kár
- dátum
- adat-tudomány
- nap
- Nap
- Döntés
- határozatok
- körülír
- tervezett
- Fejlesztés
- Diego
- különbség
- különböző
- eltérően
- nehéz
- Diffusion
- közvetlenül
- Megjelenik
- disztribúció
- do
- dollár
- ne
- le-
- dr
- Duncan
- alatt
- minden
- föld
- könnyen
- Kibocsátások
- végén
- energia
- különösen
- Még
- esemény
- események
- végül is
- példa
- vár
- Elmagyarázza
- kutatás
- feltárása
- feltárt
- szélső
- érez
- hiba
- Ábra
- vezetéknév
- megfelelő
- A
- erők
- kényszerítve
- Előrejelzés
- előrejelzések
- kövület
- Fosszilis üzemanyag
- ból ből
- Üzemanyag
- Tele
- finanszírozás
- jövő
- Futures
- generál
- generált
- nemző
- Generatív AI
- kap
- gif
- adott
- Globális
- globális válasz
- Go
- megy
- jó
- jó munkát
- szabályozott
- kéz
- Legyen
- he
- neki
- Magas
- kiemeli
- Hogyan
- How To
- azonban
- HTTPS
- hatalmas
- emberi
- Emberiség
- Az emberek
- i
- kép
- Hatás
- Hatások
- fontos
- szabhat
- javul
- in
- Növelje
- Infrastruktúra
- kezdetben
- bemenet
- Intézet
- Intézmény
- bele
- Bevezetett
- kérdések
- IT
- Munka
- éppen
- tartja
- Kedves
- hordozható számítógép
- nagymértékben
- nagyobb
- legnagyobb
- keresztnév
- tanulás
- balra
- kevesebb
- szint
- mint
- életek
- helyileg
- Hosszú
- néz
- keres
- veszít
- alacsonyabb
- gép
- gépi tanulás
- csinál
- Térképek
- max-width
- Lehet..
- jelent
- mérések
- metán
- Középső
- esetleg
- Több millió
- modell
- modellezés
- modellek
- több
- többnyire
- sok
- nemzeti
- Szükség
- igénylő
- következő
- nem
- of
- on
- ONE
- csak
- -ra
- Lehetőségek
- Optimista
- or
- Oregon
- szervezetek
- Más
- magunkat
- ki
- kívülálló
- felvázolva
- felett
- panel
- Papír
- rész
- részt vesz
- részvétel
- különös
- elhalad
- utak
- Mintás
- minták
- Teljesít
- időszakok
- person
- Fizika
- Plató
- Platón adatintelligencia
- PlatoData
- valószínű
- politika
- politikusok
- porció
- lehetséges
- állás
- gyakorlat
- előre
- előrejelzésére
- előrejelzés
- Tippek
- Készít
- bemutatás
- Probléma
- gyárt
- Egyetemi tanár
- előrejelzések
- ígér
- Kérdések és válaszok
- RAIN
- Inkább
- Olvasás
- igazi
- való Világ
- újrafutóz
- új
- kifejezés
- vidék
- regionális
- kutatók
- válasz
- eredményez
- Eredmények
- visszatérés
- jobb
- Folyó
- út
- futás
- Mondott
- azonos
- San
- San Diego
- azt mondja,
- Skála
- Mérleg
- forgatókönyv
- forgatókönyvek
- Tudomány
- TUDOMÁNYOK
- tudományos
- tudósok
- évszakok
- lát
- Series of
- ülés
- ülések
- beállítás
- rövid
- mutatott
- oldal
- Egyszerű
- tettetés
- szimulációk
- helyzetek
- kicsit más
- kisebb
- So
- Társadalom
- társadalmi-gazdasági
- néhány
- Dél
- Kezdve
- Államok
- statisztikai
- statisztika
- tartózkodás
- Még mindig
- egyenes
- ilyen
- összegez
- szuperszámítógép
- Támogatott
- Fenntarthatóság
- rendszer
- Systems
- Vesz
- meghozott
- bevétel
- Beszél
- feladatok
- kifejezés
- mint
- hogy
- A
- A jövő
- azok
- Őket
- akkor
- Ott.
- Ezek
- ők
- Szerintem
- Harmadik
- ezt
- ezen a héten
- azok
- három
- idő
- nak nek
- Ma
- holnap
- vett
- szerszámok
- Vonat
- Képzések
- igaz
- hangolt
- Fordult
- kettő
- alatt
- mögöttes
- megért
- megértés
- -ig
- us
- használ
- segítségével
- mérhetetlenül
- ellenőrzése
- nagyon
- akar
- volt
- Út..
- módon
- we
- időjárás
- hét
- JÓL
- Mit
- amikor
- mivel
- ami
- WHO
- lesz
- val vel
- nélkül
- Munka
- világ
- Legrosszabb
- írt
- év
- Hozam
- te
- zephyrnet