CCC ha sostenuto tre sessioni scientifiche alla conferenza annuale dell'AAAS di quest'anno e, nel caso in cui non potessi partecipare di persona, ricapitoleremo ciascuna sessione. Questa settimana riassumeremo i punti salienti della sessione: “L'intelligenza artificiale generativa nella scienza: promesse e insidie.” Nella terza parte, riassumiamo la presentazione del dottor Duncan Watson-Parris, professore assistente presso lo Scripps Institution of Oceanography e l'Halıcıoğlu Data Science Institute presso l'UC San Diego.
Dopo la presentazione del Dr. Markus Buehler sull'IA generativa in meccanobiologia, il Dr. Watson-Parris ha rivolto l'attenzione del pubblico alle applicazioni dell'IA generativa nelle scienze climatiche. Ha iniziato delineando la differenza tra clima e tempo meteorologico. Il tempo si riferisce alle condizioni atmosferiche a breve termine, mentre il clima descrive le condizioni atmosferiche a lungo termine. In breve, il clima è ciò che ti aspetti, il tempo è ciò che ottieni. “Uno dei maggiori problemi con la modellizzazione climatica”, afferma Watson-Parris, “è che disponiamo solo di dati recenti da quando abbiamo iniziato a effettuare misurazioni climatiche”. Creare modelli accurati che prevedano i futuri modelli climatici ed eventi meteorologici è particolarmente difficile, perché non possiamo verificare i risultati nel mondo reale finché questi eventi non si verificano. Tuttavia, per le previsioni a breve termine, come le previsioni del tempo per i prossimi tre giorni, possiamo facilmente verificare l’accuratezza di questi modelli.
I modelli meteorologici del settore sono già molto accurati. Questi modelli funzionano con la stessa precisione dei modelli di previsione meteorologica nazionale per le stime a breve termine (previsioni di circa 3-7 giorni). Tuttavia, uno dei maggiori problemi con le previsioni meteorologiche è il campionamento delle condizioni meteorologiche iniziali. Come ha sottolineato la Dott.ssa Willett nel suo intervento, condizioni di partenza leggermente diverse possono produrre risultati molto diversi. Questo è vero nelle simulazioni meteorologiche, afferma la dottoressa Watson-Parris, che possono avere importanti impatti nel mondo reale. L’andamento meteorologico, mostrato di seguito, ha introdotto un fiume atmosferico nel 2017 nella regione della California e dell’Oregon che ha generato così tanta pioggia che la diga di Oroville è crollata, causando danni per milioni di dollari. Questo evento era difficile da prevedere perché era un evento estremo, un valore anomalo. Le previsioni basate sull’apprendimento automatico ci consentono di eseguire quantità di campionamento molto maggiori per prevedere eventi meteorologici più estremi, permettendoci di prepararci meglio.
Quando i ricercatori pensano al sistema climatico, spiega il dottor Watson-Parris, osservando su scale più grandi e su periodi di tempo più ampi, alla fine vedono come appaiono le nuvole medie nel corso delle stagioni e possono guardare le statistiche dei sistemi. Queste statistiche sono governate dalle condizioni al contorno del sistema Terra – la quantità di energia che entra ed esce. Quando il problema viene inquadrato in questo modo, possiamo quindi prevedere in media dove saranno le nuvole durante le stagioni e ci sono opportunità per utilizzare l’apprendimento automatico per migliorare ed esplorare queste diverse previsioni. Uno dei compiti dei modelli climatici è quello di fare proiezioni – per capire come cambierà il clima in futuro sotto le diverse influenze umane. Questi sono progettati per esplorare possibili futuri. Per fare ciò, i ricercatori generano percorsi socioeconomici più plausibili su come la società potrebbe agire in futuro.
Di seguito è riportata un’immagine mostrata dalla Dr. Watson-Parris, che descrive alcuni possibili percorsi che la società potrebbe seguire in futuro che devono essere presi in considerazione in questi modelli climatici. Sul lato sinistro, c’è un modello di sostenibilità che entro la fine del secolo manterrà il forzante climatico – la quantità di riscaldamento che gli esseri umani impongono al sistema – a un livello inferiore. D’altro canto, lo scenario di sviluppo dei combustibili fossili sul lato destro è una sorta di scenario peggiore. Questo è un esempio molto scarno di come l’umanità potrebbe arrivare al 2100.
In pratica, quando si decide lo scenario climatico e si comunica con i politici che vogliono comprendere l’impatto delle loro decisioni, i ricercatori formano semplici emulatori di modelli climatici. Questi emulatori tengono conto delle proiezioni di diverse emissioni, come CO2 e metano, e di forze climatiche di breve durata come il nerofumo e il solfato, e i ricercatori possono emulare la risposta di questi modelli climatici, sulla base dei dati di addestramento. “Possiamo adattare modelli più o meno complessi della risposta globale della temperatura media globale a queste emissioni”, afferma Watson-Parris. “Questi modelli funzionano abbastanza bene perché gli scienziati hanno una buona conoscenza della fisica sottostante. Ma nessuno vive nella temperatura media globale e percepiremo tutti questi cambiamenti in modo diverso, quindi per comprendere i cambiamenti regionali, gli scienziati prendono la media globale e adattano il cambiamento del modello alle situazioni regionali. Questi modelli funzionano bene, ma perdono l’impatto che queste emissioni potrebbero avere a livello locale. Ad esempio, il particolato di carbonio, in particolare, viene emesso in gran parte nell’Asia meridionale, e gli impatti si faranno sentire soprattutto nell’Asia meridionale”.
Se questo problema viene inquadrato in un contesto di regressione, vediamo che potrebbero esserci opportunità per l’apprendimento automatico. "Come parte di Panchina climatica Nell’articolo che abbiamo scritto un anno fa”, dice la dottoressa Watson-Parris, “abbiamo detto che possiamo prendere le emissioni e le concentrazioni di gas serra e le mappe delle emissioni di solfato e nerofumo e regredirle direttamente sui modelli climatici per vedere le previsioni. Inoltre non dobbiamo limitarci alla temperatura, possiamo tenere conto delle precipitazioni e di altre variabili. In questo modo possiamo costruire emulatori dei modelli climatici che prevedono cosa produrrà il modello climatico per una data quantità di CO2 emessa e ci permettono di eseguire questi modelli su un laptop piuttosto che su un supercomputer”.
Il Dr. Watson-Parris ha poi mostrato un’immagine di 3 diverse realizzazioni della risposta della temperatura globale in uno scenario di politica climatica moderato e a metà strada. Le prime due colonne sono emulatori di apprendimento automatico e la terza è una simulazione di modello climatico a complessità completa che ha richiesto una settimana su un supercomputer. "I risultati di ciascuno di questi modelli sono quasi indistinguibili", afferma Watson-Parris. Questi modelli climatici svolgono un ottimo lavoro nel prevedere con precisione questo modello di riscaldamento. Fanno anche un buon lavoro nel prevedere i modelli delle precipitazioni. Questi modelli migliorano l’accessibilità e la partecipazione e consentono alle organizzazioni più piccole e ai politici di partecipare alla previsione e all’esplorazione del clima senza bisogno di enormi quantità di finanziamenti o infrastrutture.
Questi modelli non sono IA generativi, sono modelli di regressione diretta e un dato input restituirà sempre lo stesso risultato. Tuttavia, oggi vengono esplorate le opportunità di utilizzare modelli generativi e di diffusione per utilizzare le distribuzioni probabilistiche del tempo per generare stati meteorologici. I ricercatori stanno utilizzando questi modelli per prevedere il clima e i modelli meteorologici del futuro, dati diversi scenari di forzante climatica. “Rimangono delle difficoltà”, afferma la dottoressa Watson-Parris, “perché non esiste ancora una 'verità fondamentale' per verificare le previsioni, e dobbiamo ancora capire come calibrare i modelli statistici, ma questo è il futuro della previsione climatica, e io Sono ottimista sul fatto che questi strumenti aumenteranno l’accessibilità, la partecipazione e la comprensione del futuro della scienza del clima”.
Grazie per aver letto e restate sintonizzati domani per l'ultimo post di questa serie di blog, che riassume la parte di domande e risposte di questo panel.
- Distribuzione di contenuti basati su SEO e PR. Ricevi amplificazione oggi.
- PlatoData.Network Generativo verticale Ai. Potenzia te stesso. Accedi qui.
- PlatoAiStream. Intelligenza Web3. Conoscenza amplificata. Accedi qui.
- PlatoneESG. Carbonio, Tecnologia pulita, Energia, Ambiente, Solare, Gestione dei rifiuti. Accedi qui.
- Platone Salute. Intelligence sulle biotecnologie e sulle sperimentazioni cliniche. Accedi qui.
- Fonte: https://feeds.feedblitz.com/~/874057523/0/cccblog~CCC-AAAS-Generative-AI-in-Science-Promises-and-Pitfalls-Recap-%e2%80%93-Part-Three/
- :È
- :non
- :Dove
- 2017
- a
- capace
- Chi siamo
- accessibilità
- Il mio account
- precisione
- preciso
- con precisione
- Legge
- fa
- AI
- Tutti
- consentire
- Consentire
- quasi
- già
- anche
- sempre
- am
- quantità
- importi
- an
- ed
- annuale
- applicazioni
- SONO
- AS
- Asia
- Assistant
- At
- atmosferico
- assistere
- attenzione
- media
- basato
- BE
- perché
- ha iniziato
- essendo
- sotto
- Meglio
- fra
- Nero
- Blog
- confine
- costruire
- ma
- by
- California
- Materiale
- carbonio
- Custodie
- causando
- ccc
- Blog CCC
- Secolo
- il cambiamento
- Modifiche
- Clima
- colonne
- Venire
- arrivo
- comunicare
- complesso
- complessità
- condizioni
- Convegno
- Creazione
- danno
- dati
- scienza dei dati
- giorno
- Giorni
- Decidere
- decisioni
- descrive
- progettato
- Mercato
- Diego
- differenza
- diverso
- diversamente
- difficile
- Emittente
- direttamente
- visualizzati
- distribuzioni
- do
- dollari
- Dont
- giù
- dr
- duncan
- durante
- ogni
- terra
- facilmente
- emissioni
- fine
- energia
- particolarmente
- Anche
- Evento
- eventi
- alla fine
- esempio
- attenderti
- Spiega
- esplorazione
- esplora
- Esplorazione
- estremo
- sentire
- errore
- figura
- Nome
- in forma
- Nel
- Forze
- forzatura
- Previsione
- le previsioni
- fossile
- Combustibile fossile
- da
- Carburante
- pieno
- finanziamento
- futuro
- Futures
- generare
- generato
- generativo
- AI generativa
- ottenere
- gif
- dato
- globali
- risposta globale
- Go
- andando
- buono
- buon lavoro
- governati
- cura
- Avere
- he
- suo
- Alta
- evidenzia
- Come
- Tutorial
- Tuttavia
- HTTPS
- Enorme
- umano
- Umanità
- Gli esseri umani
- i
- Immagine
- Impact
- impatti
- importante
- imporre
- competenze
- in
- Aumento
- Infrastruttura
- inizialmente
- ingresso
- Istituto
- Istituzione
- ai miglioramenti
- introdotto
- sicurezza
- IT
- Lavoro
- ad appena
- continua
- Genere
- laptop
- maggiormente
- superiore, se assunto singolarmente.
- maggiore
- Cognome
- apprendimento
- a sinistra
- meno
- Livello
- piace
- Lives
- a livello locale
- Lunghi
- Guarda
- cerca
- perdere
- inferiore
- macchina
- machine learning
- make
- Maps
- max-width
- Maggio..
- significare
- misurazioni
- metano
- In mezzo
- forza
- milioni
- modello
- modellismo
- modelli
- Scopri di più
- soprattutto
- molti
- il
- Bisogno
- che necessitano di
- GENERAZIONE
- no
- of
- on
- ONE
- esclusivamente
- su
- Opportunità
- Ottimista
- or
- Oregon
- organizzazioni
- Altro
- noi stessi
- su
- valore anomalo
- delineando
- ancora
- pannello di eventi
- Carta
- parte
- partecipare
- partecipazione
- particolare
- passare
- percorsi
- Cartamodello
- modelli
- Eseguire
- periodi
- persona
- Fisica
- Platone
- Platone Data Intelligence
- PlatoneDati
- plausibile
- politica
- politici
- porzione
- possibile
- Post
- pratica
- predire
- previsione
- predizione
- Previsioni
- Preparare
- presentazione
- Problema
- produrre
- Insegnante
- proiezioni
- promette
- Domande e risposte
- RAIN
- piuttosto
- Lettura
- di rose
- mondo reale
- ricapitolare
- recente
- si riferisce
- regione
- regionale
- ricercatori
- risposta
- colpevole
- Risultati
- ritorno
- destra
- fiume
- strada
- Correre
- Suddetto
- stesso
- San
- San Diego
- dice
- Scala
- bilancia
- scenario
- Scenari
- Scienze
- SCIENZE
- scientifico
- scienziati
- stagioni
- vedere
- Serie
- Sessione
- sessioni
- regolazione
- Corti
- mostrato
- lato
- Un'espansione
- simulazione
- simulazioni
- situazioni
- leggermente diversa
- inferiore
- So
- Società
- socio-economico
- alcuni
- Sud
- Di partenza
- stati
- statistiche
- statistica
- soggiorno
- Ancora
- dritto
- tale
- riassumere
- supercomputer
- supportato
- Sostenibilità
- sistema
- SISTEMI DI TRATTAMENTO
- Fai
- preso
- presa
- Parlare
- task
- termine
- di
- che
- I
- Il futuro
- loro
- Li
- poi
- Là.
- Strumenti Bowman per analizzare le seguenti finiture:
- di
- think
- Terza
- questo
- questa settimana
- quelli
- tre
- tempo
- a
- oggi
- domani
- ha preso
- strumenti
- Treni
- Training
- vero
- sintonizzato
- Turned
- seconda
- per
- sottostante
- capire
- e una comprensione reciproca
- fino a quando
- us
- uso
- utilizzando
- notevolmente
- verificare
- molto
- volere
- Prima
- Modo..
- modi
- we
- Tempo
- settimana
- WELL
- Che
- quando
- mentre
- quale
- OMS
- volere
- con
- senza
- Lavora
- mondo
- Salsiccia di assorbimento
- ha scritto
- anno
- dare la precedenza
- Tu
- zefiro