CCC stödde tre vetenskapliga sessioner vid årets AAAS årliga konferens, och om du inte kunde närvara personligen kommer vi att sammanfatta varje session. Den här veckan kommer vi att sammanfatta sessionens höjdpunkter, "Generativ AI i vetenskap: löften och fallgropar.” I del tre sammanfattar vi presentationen av Dr. Duncan Watson-Parris, biträdande professor vid Scripps Institution of Oceanography och Halıcıoğlu Data Science Institute vid UC San Diego.
Efter Dr. Markus Buehlers presentation om generativ AI inom mekanobiologi, vände Dr. Watson-Parris publikens uppmärksamhet mot generativa AI-tillämpningar inom klimatvetenskapen. Han började med att beskriva skillnaden mellan klimat och väder. Väder hänvisar till kortsiktiga atmosfäriska förhållanden, medan klimat beskriver långvariga atmosfäriska förhållanden. Kort sagt, klimatet är vad du förväntar dig, vädret är vad du får. "Ett av de största problemen med klimatmodellering," säger Watson-Parris, "är att vi bara har färska data från när vi började göra klimatmätningar." Att skapa exakta modeller som förutsäger framtida klimatmönster och väderhändelser är särskilt svårt, eftersom vi inte kan verifiera resultaten i den verkliga världen förrän dessa händelser inträffar. Men för kortsiktiga förutsägelser, såsom väderprognoser under de kommande tre dagarna, kan vi enkelt verifiera dessa modellers exakthet.
Industrivädermodeller är redan mycket exakta. Dessa modeller presterar med lika stor noggrannhet som de nationella väderprognosmodellerna för kortsiktiga uppskattningar (~3-7 dagars prognoser). Ett av de största problemen med väderprognoser är dock provtagning av initiala väderförhållanden. Som Dr. Willett påpekade i sitt föredrag kan mycket lite olika startförhållanden ge mycket olika resultat. Detta är sant i vädersimuleringar, säger Dr. Watson-Parris, som kan ha viktiga verkliga effekter. Vädermönstret, som visas nedan, introducerade en atmosfärisk flod 2017 i Kalifornien och Oregon-regionen som genererade så mycket regn att Oroville-dammen brast och orsakade skador för miljontals dollar. Denna händelse var svår att förutsäga, eftersom det var en extrem händelse, en extremhändelse. Maskininlärningsprognoser tillåter oss att göra mycket större mängder provtagningar för att förutsäga mer extrema väderhändelser, vilket gör att vi bättre kan förbereda oss för dem.
När forskare tänker på klimatsystemet, förklarar Dr. Watson-Parris, tittar över större skalor och över längre tidsperioder, så ser de så småningom hur genomsnittliga moln ser ut över årstider och de kan titta på statistik över system. Denna statistik styrs av jordsystemets gränsförhållanden – mängden energi som kommer in och går ut. När problemet ramas in på detta sätt kan vi sedan i genomsnitt förutsäga var molnen kommer att finnas under årstiderna, och det finns möjligheter att använda maskininlärning för att förbättra och utforska dessa olika förutsägelser. En av klimatmodellernas uppgifter är att göra prognoser – att förstå hur klimatet kommer att förändras i framtiden under olika mänsklig påverkan. Dessa är utformade för att utforska möjliga framtider. För att göra detta skapar forskare mer rimliga socioekonomiska vägar för hur samhället kan agera i framtiden.
Nedan är en bild som Dr. Watson-Parris visade, som visar några möjliga vägar samhället kan gå ner i framtiden som måste beaktas i dessa klimatmodeller. På den vänstra sidan finns en hållbarhetsmodell som i slutet av århundradet håller klimatpåtvingandet – mängden uppvärmning som människor påtvingar systemet – på en lägre nivå. Å andra sidan är utvecklingsscenariot för fossila bränslen på höger sida ett slags värsta scenario. Detta är ett mycket sparsamt urval av hur mänskligheten kan komma till 2100.
I praktiken, när de bestämmer klimatscenariot och kommunicerar med beslutsfattare som vill förstå effekterna av deras beslut, tränar forskare enkla klimatmodellemulatorer. Dessa emulatorer tar hänsyn till prognoser för olika utsläpp, såsom CO2 och metan, och kortlivade klimatkrafter som svart kol och sulfat, och forskare kan efterlikna responsen från dessa klimatmodeller, baserat på träningsdata. "Vi kan anpassa mer eller mindre komplexa modeller av den globala medeltemperaturens globala reaktion på dessa utsläpp", säger Watson-Parris. "Dessa modeller fungerar ganska bra eftersom forskarna har en god förståelse för den underliggande fysiken. Men ingen lever i den globala medeltemperaturen, och vi kommer att känna alla dessa förändringar på olika sätt, så för att förstå regionala förändringar tar forskare det globala medelvärdet och skalar mönsterförändringen till regionala situationer. Dessa modeller fungerar bra, men de förlorar den påverkan som dessa utsläpp kan ha lokalt. Till exempel släpps i synnerhet svart kol till stor del ut i södra Asien, och effekterna av det kommer att märkas mest i södra Asien."
Om detta problem ramas in i en regressionsinställning ser vi att det kan finnas möjligheter till maskininlärning. "Som en del av Klimatbänk papper som vi skrev för ett år sedan”, säger Dr. Watson-Parris, ”vi sa att vi kan ta utsläppen och koncentrationerna av växthusgaser och kartor över utsläppen av sulfat och svart kol och regressera dem direkt till klimatmodellerna för att se förutsägelser. Vi behöver inte heller begränsa oss till temperatur, vi kan ta hänsyn till nederbörd och andra variabler. På så sätt kan vi bygga emulatorer av klimatmodellerna som förutsäger vad klimatmodellen kommer att producera för en given mängd CO2 som släpps ut och tillåta oss att köra dessa modeller på en bärbar dator istället för en superdator."
Dr. Watson-Parris visade sedan en bild av 3 olika realiseringar av global temperaturrespons i ett tillbakahållet klimatpolitiskt scenario mitt i vägen. De två första kolumnerna är emulatorer för maskininlärning, och den tredje är en simulering av klimatmodeller med full komplexitet som tog en vecka på en superdator. "Resultaten från var och en av dessa modeller går nästan inte att urskilja", säger Watson-Parris. Dessa klimatmodeller gör ett mycket bra jobb med att exakt förutsäga detta uppvärmningsmönster. De gör till och med ett bra jobb med att förutsäga nederbördsmönster. Dessa modeller förbättrar tillgängligheten och deltagandet och tillåter mindre organisationer och beslutsfattare att delta i klimatförutsägelser och utforskning utan att behöva stora mängder finansiering eller infrastruktur.
Dessa modeller är inte generativa AI, de är raka regressionsmodeller, och en given ingång kommer alltid att returnera samma resultat. Möjligheterna att använda generativa och diffusionsmodeller för att ta de probabilistiska fördelningarna av väder för att generera vädertillstånd undersöks dock idag. Forskare använder dessa modeller för att förutsäga framtidens klimat- och vädermönster, givet olika klimatpåtvingande scenarier. "Svårigheter kvarstår", säger Dr. Watson-Parris, "eftersom det fortfarande inte finns någon "grundsanning" för att verifiera förutsägelser, och vi måste fortfarande ta reda på hur man kalibrerar statistiska modeller, men detta är framtiden för klimatförutsägelser, och jag Jag är optimistisk att dessa verktyg kommer att öka tillgängligheten, deltagandet och förståelsen för framtiden för klimatvetenskapen."
Tack för att du läser, och håll utkik i morgon för det sista inlägget i den här bloggserien, som sammanfattar Frågor och Svar-delen av denna panel.
- SEO-drivet innehåll och PR-distribution. Bli förstärkt idag.
- PlatoData.Network Vertical Generative Ai. Styrka dig själv. Tillgång här.
- PlatoAiStream. Web3 Intelligence. Kunskap förstärkt. Tillgång här.
- Platoesg. Kol, CleanTech, Energi, Miljö, Sol, Avfallshantering. Tillgång här.
- PlatoHealth. Biotech och kliniska prövningar Intelligence. Tillgång här.
- Källa: https://feeds.feedblitz.com/~/874057523/0/cccblog~CCC-AAAS-Generative-AI-in-Science-Promises-and-Pitfalls-Recap-%e2%80%93-Part-Three/
- :är
- :inte
- :var
- 2017
- a
- Able
- Om oss
- tillgänglighet
- Konto
- noggrannhet
- exakt
- exakt
- Agera
- sedan
- AI
- Alla
- tillåter
- tillåta
- nästan
- redan
- också
- alltid
- am
- mängd
- mängder
- an
- och
- årsringar
- tillämpningar
- ÄR
- AS
- asien
- Assistent
- At
- atmosfärs
- förväntat
- uppmärksamhet
- genomsnitt
- baserat
- BE
- därför att
- började
- Där vi får lov att vara utan att konstant prestera,
- nedan
- Bättre
- mellan
- Svart
- Blogg
- gräns
- SLUTRESULTAT
- men
- by
- kalifornien
- KAN
- kol
- Vid
- orsakar
- ccc
- CCC blogg
- Århundrade
- byta
- Förändringar
- Klimat
- Kolonner
- komma
- kommande
- kommunicera
- komplex
- Komplexiteten
- villkor
- Konferens
- Skapa
- skada
- datum
- datavetenskap
- dag
- Dagar
- Avgörande
- beslut
- beskriver
- utformade
- Utveckling
- diego
- Skillnaden
- olika
- annorlunda
- svårt
- Diffusion
- direkt
- visas
- Distributioner
- do
- dollar
- inte
- ner
- dr
- duncan
- under
- varje
- jord
- lätt
- utsläpp
- änden
- energi
- speciellt
- Även
- händelse
- händelser
- så småningom
- exempel
- förvänta
- Förklarar
- utforskning
- utforska
- utforskas
- extrem
- känna
- filt
- Figur
- Förnamn
- passa
- För
- Krafter
- tvingar
- Prognos
- prognoser
- fossila
- Fossilt bränsle
- från
- Bränsle
- full
- finansiering
- framtida
- Futures
- generera
- genereras
- generativ
- Generativ AI
- skaffa sig
- gif
- ges
- Välgörenhet
- globalt svar
- Go
- kommer
- god
- bra jobb
- regleras
- sidan
- Har
- he
- här
- Hög
- höjdpunkter
- Hur ser din drömresa ut
- How To
- Men
- HTTPS
- stor
- humant
- Mänskligheten
- Människa
- i
- bild
- Inverkan
- Konsekvenser
- med Esport
- ålagts
- förbättra
- in
- Öka
- Infrastruktur
- inledande
- ingång
- Institute
- Institution
- in
- introducerade
- problem
- IT
- Jobb
- bara
- håller
- Snäll
- laptop
- till stor del
- större
- största
- Efternamn
- inlärning
- vänster
- mindre
- Nivå
- tycka om
- Bor
- lokalt
- Lång
- se
- du letar
- förlorar
- lägre
- Maskinen
- maskininlärning
- göra
- kartor
- max-bredd
- Maj..
- betyda
- mätningar
- metan
- Mitten
- kanske
- miljoner
- modell
- modellering
- modeller
- mer
- för det mesta
- mycket
- nationell
- Behöver
- behöver
- Nästa
- Nej
- of
- on
- ONE
- endast
- till
- möjligheter
- Optimistiska
- or
- Oregon
- organisationer
- Övriga
- själva
- ut
- uteliggare
- Disposition
- över
- panel
- Papper
- del
- delta
- deltagande
- särskilt
- passera
- vägar
- Mönster
- mönster
- Utföra
- perioder
- personen
- Fysik
- plato
- Platon Data Intelligence
- PlatonData
- plausibel
- policy
- beslutsfattare
- del
- möjlig
- Inlägg
- praktiken
- förutse
- förutsäga
- förutsägelse
- Förutsägelser
- Förbered
- presentation
- Problem
- producera
- Professor
- utsprång
- lovar
- Frågor och svar
- REGN
- snarare
- Läsning
- verklig
- verkliga världen
- resumé
- senaste
- hänvisar
- region
- regionala
- forskare
- respons
- resultera
- Resultat
- avkastning
- höger
- River
- väg
- Körning
- Nämnda
- Samma
- San
- San Diego
- säger
- Skala
- skalor
- scenario
- scenarier
- Vetenskap
- VETENSKAPER
- vetenskaplig
- vetenskapsmän
- säsonger
- se
- Serier
- session
- sessioner
- inställning
- Kort
- visas
- sida
- Enkelt
- simulering
- simuleringar
- situationer
- något annorlunda
- mindre
- So
- Samhället
- socioekonomiska
- några
- Söder
- Starta
- Stater
- statistisk
- statistik
- bo
- Fortfarande
- rakt
- sådana
- sammanfatta
- superdator
- Som stöds
- Hållbarhet
- system
- System
- Ta
- tagen
- tar
- Diskussion
- uppgifter
- termin
- än
- den där
- Smakämnen
- Framtiden
- deras
- Dem
- sedan
- Där.
- Dessa
- de
- tror
- Tredje
- detta
- denna vecka
- de
- tre
- tid
- till
- i dag
- i morgon
- tog
- verktyg
- Tåg
- Utbildning
- sann
- stämd
- vände
- två
- under
- underliggande
- förstå
- förståelse
- tills
- us
- användning
- med hjälp av
- vastly
- verifiera
- mycket
- vill
- var
- Sätt..
- sätt
- we
- Väder
- vecka
- VÄL
- Vad
- när
- medan
- som
- VEM
- kommer
- med
- utan
- Arbete
- världen
- värsta
- skrev
- år
- Avkastning
- Om er
- zephyrnet