CCC støttet tre vitenskapelige sesjoner på årets AAAS årlige konferanse, og i tilfelle du ikke var i stand til å delta personlig, vil vi oppsummere hver økt. Denne uken vil vi oppsummere høydepunktene fra økten, "Generativ AI i vitenskap: løfter og fallgruver." I del tre oppsummerer vi presentasjonen av Dr. Duncan Watson-Parris, assisterende professor ved Scripps Institution of Oceanography og Halıcıoğlu Data Science Institute ved UC San Diego.
Etter Dr. Markus Buehlers presentasjon om generativ AI i mekanobiologi, vendte Dr. Watson-Parris publikums oppmerksomhet mot generative AI-applikasjoner i klimavitenskapene. Han begynte med å skissere forskjellen mellom klima og vær. Vær refererer til kortsiktige atmosfæriske forhold, mens klima beskriver langsiktige atmosfæriske forhold. Kort sagt, klima er hva du forventer, vær er hva du får. "Et av de største problemene med klimamodellering," sier Watson-Parris, "er at vi bare har nylige data fra da vi begynte å ta klimamålinger." Å lage nøyaktige modeller som forutsier fremtidige klimamønstre og værhendelser er spesielt vanskelig, fordi vi ikke kan verifisere resultatene i den virkelige verden før disse hendelsene inntreffer. For kortsiktige spådommer, for eksempel værmeldinger for de neste tre dagene, kan vi imidlertid enkelt verifisere nøyaktigheten til disse modellene.
Industriens værmodeller er allerede veldig nøyaktige. Disse modellene yter med like stor nøyaktighet som de nasjonale værvarslingsmodellene for kortsiktige estimeringer (~3-7 dagers prognoser). Et av de største problemene med værvarsling er imidlertid prøvetaking av innledende værforhold. Som Dr. Willett påpekte i sitt foredrag, kan svært litt forskjellige startbetingelser gi svært forskjellige resultater. Dette er sant i værsimuleringer, sier Dr. Watson-Parris, som kan ha viktige virkninger i den virkelige verden. Værmønsteret, vist nedenfor, introduserte en atmosfærisk elv i 2017 i California og Oregon-regionen som genererte så mye regn at Oroville-demningen brast og forårsaket skader for millioner av dollar. Denne hendelsen var vanskelig å forutsi, fordi det var en ekstrem hendelse, en uteligger. Maskinlæringsprognoser lar oss gjøre mye større mengder prøvetaking for å forutsi mer ekstreme værhendelser, slik at vi bedre kan forberede oss på dem.
Når forskere tenker på klimasystemet, forklarer Dr. Watson-Parris, ser over større skalaer og over større tidsperioder, ser de til slutt hvordan gjennomsnittlige skyer ser ut over årstider, og de kan se på statistikk over systemer. Denne statistikken styres av grenseforholdene til jordsystemet – mengden energi som kommer inn og ut. Når problemet er innrammet på denne måten, kan vi da i gjennomsnitt forutsi hvor skyene vil være i løpet av sesongene, og det er muligheter for å bruke maskinlæring for å forbedre og utforske disse forskjellige spådommene. En av oppgavene til klimamodeller er å lage anslag – å forstå hvordan klimaet vil endre seg i fremtiden under ulike menneskelige påvirkninger. Disse er designet for å utforske mulige fremtider. For å gjøre dette genererer forskere mer plausible sosioøkonomiske veier for hvordan samfunnet kan handle i fremtiden.
Nedenfor er et bilde Dr. Watson-Parris viste, som skildrer noen mulige veier samfunnet kan gå ned i fremtiden som må tas i betraktning i disse klimamodellene. På venstre side er en bærekraftsmodell som mot slutten av århundret holder klimapådriv – mengden oppvarming mennesker pålegger systemet – på et lavere nivå. På den annen side er utviklingsscenarioet for fossilt brensel på høyre side et slags worst case scenario. Dette er et svært sparsomt utvalg av måter menneskeheten kan komme til 2100.
I praksis, når de bestemmer klimascenarioet og kommuniserer med beslutningstakere som ønsker å forstå virkningen av deres beslutninger, trener forskere enkle klimamodellemulatorer. Disse emulatorene tar hensyn til anslag for ulike utslipp, som CO2 og metan, og kortlivede klimakrefter som svart karbon og sulfat, og forskere kan etterligne responsen til disse klimamodellene, basert på treningsdata. "Vi kan tilpasse mer eller mindre komplekse modeller av den globale responsen til den globale middeltemperaturen på disse utslippene", sier Watson-Parris. "Disse modellene fungerer rimelig bra fordi forskere har en god forståelse av den underliggende fysikken. Men ingen lever i den globale gjennomsnittstemperaturen, og vi vil føle alle disse endringene annerledes, så for å forstå regionale endringer, tar forskere det globale gjennomsnittet og skalerer mønsterendringen til regionale situasjoner. Disse modellene fungerer bra, men de mister virkningen som disse utslippene kan ha lokalt. For eksempel slippes spesielt svart karbon i stor grad ut i Sør-Asia, og virkningene av det vil merkes mest i Sør-Asia.»
Hvis dette problemet er innrammet i en regresjonsinnstilling, ser vi at det kan være muligheter for maskinlæring. "Som en del av Klimabenk papir vi skrev for et år siden," sier Dr. Watson-Parris, "vi sa at vi kan ta utslipp og konsentrasjoner av klimagasser og kart over utslipp av sulfat og svart karbon og regressere dem direkte til klimamodellene for å se spådommer. Vi trenger heller ikke å begrense oss til temperatur, vi kan ta hensyn til nedbør og andre variabler. På denne måten kan vi bygge emulatorer av klimamodellene som forutsier hva klimamodellen vil produsere for en gitt mengde CO2 som slippes ut og tillate oss å kjøre disse modellene på en bærbar datamaskin i stedet for en superdatamaskin."
Dr. Watson-Parris viste deretter et bilde av 3 forskjellige realiseringer av global temperaturrespons i et tilbakeholdt klimapolitisk scenario. De to første kolonnene er maskinlæringsemulatorer, og den tredje er en klimamodellsimulering med full kompleksitet som tok en uke på en superdatamaskin. "Resultatene fra hver av disse modellene er nesten umulig å skille," sier Watson-Parris. Disse klimamodellene gjør en veldig god jobb med å forutsi dette oppvarmingsmønsteret nøyaktig. De gjør til og med en god jobb med å forutsi nedbørsmønstre. Disse modellene forbedrer tilgjengeligheten og deltakelsen, og lar mindre organisasjoner og beslutningstakere delta i klimaforutsigelser og utforskning uten å trenge store mengder finansiering eller infrastruktur.
Disse modellene er ikke generativ AI, de er rette regresjonsmodeller, og en gitt inngang vil alltid returnere det samme resultatet. Imidlertid blir muligheter for å bruke generative og diffusjonsmodeller for å ta de sannsynlige fordelingene av vær for å generere værtilstander undersøkt i dag. Forskere bruker disse modellene til å forutsi fremtidens klima- og værmønstre, gitt ulike klimascenarier. "Vanskeligheter gjenstår", sier Dr. Watson-Parris, "fordi det fortsatt ikke er noen 'grunnsannhet' for å bekrefte spådommer, og vi må fortsatt finne ut hvordan vi skal kalibrere statistiske modeller, men dette er fremtiden for klimaprediksjon, og jeg Jeg er optimistisk på at disse verktøyene vil øke tilgjengeligheten, deltakelsen og forståelsen av fremtiden til klimavitenskap.»
Takk for at du leste, og følg med i morgen for det siste innlegget i denne bloggserien, som oppsummerer spørsmål og svar-delen av dette panelet.
- SEO-drevet innhold og PR-distribusjon. Bli forsterket i dag.
- PlatoData.Network Vertical Generative Ai. Styrk deg selv. Tilgang her.
- PlatoAiStream. Web3 Intelligence. Kunnskap forsterket. Tilgang her.
- PlatoESG. Karbon, CleanTech, Energi, Miljø, Solenergi, Avfallshåndtering. Tilgang her.
- PlatoHelse. Bioteknologisk og klinisk etterretning. Tilgang her.
- kilde: https://feeds.feedblitz.com/~/874057523/0/cccblog~CCC-AAAS-Generative-AI-in-Science-Promises-and-Pitfalls-Recap-%e2%80%93-Part-Three/
- :er
- :ikke
- :hvor
- 2017
- a
- I stand
- Om oss
- tilgjengelighet
- Logg inn
- nøyaktighet
- nøyaktig
- nøyaktig
- Handling
- siden
- AI
- Alle
- tillate
- tillate
- nesten
- allerede
- også
- alltid
- am
- beløp
- beløp
- an
- og
- årlig
- søknader
- ER
- AS
- asia
- Assistent
- At
- atmosfærisk
- delta
- oppmerksomhet
- gjennomsnittlig
- basert
- BE
- fordi
- begynte
- være
- under
- Bedre
- mellom
- Svart
- Blogg
- grense
- bygge
- men
- by
- california
- CAN
- karbon
- saken
- forårsaker
- ccc
- CCC-bloggen
- Århundre
- endring
- Endringer
- Klima
- kolonner
- Kom
- kommer
- kommunisere
- komplekse
- kompleksitet
- forhold
- Konferanse
- Opprette
- skade
- dato
- datavitenskap
- dag
- Dager
- Avgjør
- avgjørelser
- beskriver
- designet
- Utvikling
- Diego
- forskjell
- forskjellig
- annerledes
- vanskelig
- kringkasting
- direkte
- vises
- Distribusjoner
- do
- dollar
- ikke
- ned
- dr
- duncan
- under
- hver enkelt
- jord
- lett
- Utslipp
- slutt
- energi
- spesielt
- Selv
- Event
- hendelser
- etter hvert
- eksempel
- forvente
- forklarer
- leting
- utforske
- utforsket
- ekstrem
- føler
- feil
- Figur
- Først
- passer
- Til
- Krefter
- tvang
- Varsel
- prognoser
- fossil
- Fossilt brensel
- fra
- Brensel
- fullt
- finansiering
- framtid
- Futures
- generere
- generert
- generative
- Generativ AI
- få
- gif
- gitt
- Global
- global respons
- Go
- skal
- god
- Godt jobbet
- styrt
- hånd
- Ha
- he
- her
- Høy
- striper
- Hvordan
- Hvordan
- Men
- HTTPS
- stort
- menneskelig
- Menneskeheten
- Mennesker
- i
- bilde
- Påvirkning
- Konsekvenser
- viktig
- pålegge
- forbedre
- in
- Øke
- Infrastruktur
- innledende
- inngang
- Institute
- Institusjon
- inn
- introdusert
- saker
- IT
- Jobb
- bare
- holder
- Type
- laptop
- i stor grad
- større
- største
- Siste
- læring
- venstre
- mindre
- Nivå
- i likhet med
- Bor
- lokalt
- Lang
- Se
- ser
- taper
- lavere
- maskin
- maskinlæring
- gjøre
- Kart
- max bredde
- Kan..
- bety
- målinger
- metan
- Middle
- kunne
- millioner
- modell
- modellering
- modeller
- mer
- for det meste
- mye
- nasjonal
- Trenger
- trenger
- neste
- Nei.
- of
- on
- ONE
- bare
- videre til
- Muligheter
- Optimistisk
- or
- Oregon
- organisasjoner
- Annen
- oss selv
- ut
- uteligger
- skisserer
- enn
- panel
- Papir
- del
- delta
- deltakelse
- Spesielt
- passere
- pathways
- Mønster
- mønstre
- Utfør
- perioder
- person
- Fysikk
- plato
- Platon Data Intelligence
- PlatonData
- plausibel
- politikk
- beslutningstakere
- del
- mulig
- Post
- praksis
- forutsi
- forutsi
- prediksjon
- Spådommer
- Forbered
- presentasjon
- Problem
- produsere
- Professor
- Anslagene
- lover
- Q & A
- REGN
- heller
- Lesning
- ekte
- virkelige verden
- oppsummering
- nylig
- refererer
- region
- regional
- forskere
- svar
- resultere
- Resultater
- retur
- ikke sant
- River
- vei
- Kjør
- Sa
- samme
- San
- San Diego
- sier
- Skala
- vekter
- scenario
- scenarier
- Vitenskap
- VITENSKAPER
- vitenskapelig
- forskere
- årstider
- se
- Serien
- Session
- sesjoner
- innstilling
- Kort
- vist
- side
- Enkelt
- simulering
- simuleringer
- situasjoner
- litt annerledes
- mindre
- So
- Samfunnet
- sosioøkonomisk
- noen
- Sør
- Start
- Stater
- statistisk
- statistikk
- opphold
- Still
- rett
- slik
- oppsummere
- superdatamaskin
- Støttes
- Bærekraft
- system
- Systemer
- Ta
- tatt
- ta
- Snakk
- oppgaver
- begrep
- enn
- Det
- De
- Fremtiden
- deres
- Dem
- deretter
- Der.
- Disse
- de
- tror
- Tredje
- denne
- denne uka
- De
- tre
- tid
- til
- i dag
- i morgen
- tok
- verktøy
- Tog
- Kurs
- sant
- tuned
- snudde
- to
- etter
- underliggende
- forstå
- forståelse
- til
- us
- bruke
- ved hjelp av
- vesentlig
- verifisere
- veldig
- ønsker
- var
- Vei..
- måter
- we
- Vær
- uke
- VI VIL
- Hva
- når
- mens
- hvilken
- HVEM
- vil
- med
- uten
- Arbeid
- verden
- verste
- skrev
- år
- Utbytte
- Du
- zephyrnet