طور باحثون من معهد ماساتشوستس للتكنولوجيا تقنية تدريب تنتج نماذج مناخية سريعة وقابلة للتكيف باستخدام الذكاء الاصطناعي باستخدام جزء صغير من البيانات المطلوبة عادة، وهي خطوة يقولون إنها يمكن أن تقلل وقت إنتاج هذه الأدوات من أشهر أو سنوات إلى شيء أكثر قابلية للاستخدام في قرارات السياسة. يظهر البحث هذا الأسبوع في وقائع الأكاديمية الوطنية للعلوم.

النماذج المعنية هي محاكيات مناخية: أنظمة بديلة مدمجة للذكاء الاصطناعي تحاكي سلوك نماذج نظام الأرض واسعة النطاق (ESMs). تُعتبر أجهزة الإدارة البيئية بمثابة العمود الفقري لعلم المناخ - عمليات محاكاة هائلة قائمة على الفيزياء، تتنبأ بكيفية استجابة درجات الحرارة، وهطول الأمطار، ومستويات سطح البحر لانبعاثات الغازات الدفيئة - ولكن سيناريو مستقبلي واحد يمكن أن يستغرق أشهرًا ليتم تشغيله على مجموعة من أجهزة الكمبيوتر العملاقة. وعلى النقيض من ذلك، تعمل برامج المحاكاة في ثوانٍ، مما يسمح للعلماء باختبار الآلاف من السيناريوهات، واستكشاف التأثيرات الإقليمية وملوثات محددة، وتحديد النتائج غير المتوقعة للتدخلات السياسية. للحصول على تغطية مستمرة للدور المتزايد للذكاء الاصطناعي في العلوم، تابع [أخبار أبحاث الذكاء الاصطناعي] (https://aibuzzwire.news).

المشكلة: بيانات التدريب الواقعية تجعل النماذج هشة

عندما يقوم الباحثون ببناء محاكي مناخي، فإنهم عادةً ما يقومون بتدريبه على ستة إلى ثمانية سيناريوهات مستقبلية للانبعاثات تتبع مسارات واقعية. يجب تشغيل كل واحدة من خلال ESM كامل لإنتاج بيانات التدريب، مما يجعل إنشاء مجموعات البيانات مكلفًا وبطيئًا. كان فريق معهد ماساتشوستس للتكنولوجيا قد حدد في السابق نمط فشل خفي: يمكن أن يكون أداء المحاكيات المدربة على سيناريوهات واقعية أقل من الأداء عندما يُطلب منها التنبؤ بمواقف غير مألوفة أو جديدة - وهي بالضبط المواقف التي يحتاج صناع السياسات إلى استكشافها بشكل متزايد.

قال كريستوفر ووماك، وهو الآن باحث ما بعد الدكتوراه في ETH Zurich والمؤلف الرئيسي للورقة البحثية في أخبار معهد ماساتشوستس للتكنولوجيا: "قد تولد الخوارزمية لدينا بعض السيناريوهات الغريبة التي لا تبدو وكأنها مستقبل واقعي، لكننا لا نهتم كثيرًا إذا كانت سيناريوهات التدريب واقعية". "نحن نحاول فقط إنشاء أفضل مجموعة بيانات ممكنة لتدريب المحاكي."

تشغيل ESM واحد بدلاً من ثمانية

التقنية الجديدة تقلب خط الأنابيب المعتاد. بدلاً من تجميع سيناريوهات واقعية، تقوم الخوارزمية بإنشاء سيناريوهات تركيبية مُحسّنة مصممة خصيصًا لزيادة المهارة التنبؤية لمحاكي معين. تبدأ العملية بسيناريو اعتباطي يتم تشغيله من خلال نموذج مناخي سريع وبسيط، ويقيس مدى نجاح المحاكي في إعادة إنتاج نتائج الإدارة السليمة بيئيًا بالكامل، ثم يتكرر التشويش على بيانات التدريب - زيادة انبعاثات ثاني أكسيد الكربون بشكل حاد في عام 2050، على سبيل المثال، أو خفض غاز الميثان بسرعة في عام 2037 - حتى ينخفض ​​خطأ المحاكي إلى ما دون العتبة.

ولا تبدو السيناريوهات التركيبية الناتجة وكأنها مسارات سلسة في العالم الحقيقي. وقال ووماك: "من خلال تقديم هذه الاهتزازات والتذبذبات عالية التردد، تمكن بياناتنا المحاكي من استخراج المزيد من المعلومات حول النظام العام". إن المردود العملي كبير: حيث كان بناء مجموعة التدريب يتطلب تشغيل ESM كاملًا من ست إلى ثماني مرات، يحتاج المستخدم الآن إلى تشغيل واحد.

##فشل اجتياز اختبار النماذج التقليدية

أفاد الباحثون أن أحد المحاكيين الذين تم تدريبهم على طريقتهم تنبأ بدقة بنتائج السيناريوهات التي لم يسبق له رؤيتها أثناء التدريب، في حين فشلت المحاكيات التقليدية في التكيف. في أحد الاختبارات التي أبرزتها أخبار معهد ماساتشوستس للتكنولوجيا، تمكن المحاكي المدرب صناعيًا من التقاط تأثيرات سياسة التحكم في الملوثات المحلية بشكل صحيح، والتي تقلل من أحد الملوثات بينما تستمر الانبعاثات الأخرى في الارتفاع - وهي الحالة التي فشلت فيها المحاكيات المدربة تقليديًا والتي تم تقييمها.

وقال ووماك: "إن محاكيات المناخ مناسبة بشكل خاص لنمذجة السيناريوهات ذات الصلة بالسياسة". "باستخدام طريقتنا لإنشاء بيانات تدريب محسنة لمحاكي ما، يمكننا تسريع إنتاج محاكيات أكثر موثوقية، حتى نتمكن من الثقة بشكل أفضل في مخرجاتها لاتخاذ قرارات السياسة."

القدرة على التكيف مهمة لأن المستقبل لن يشبه مجموعة التدريب. وقال سيلين: "في المستقبل، سنرى بالتأكيد مناخات وسيناريوهات لم نشهدها من قبل". "إذا تمكنا من محاكاة هذه السيناريوهات المختلفة بقوة أكبر، فيمكننا توفير معلومات أكثر موثوقية لأصحاب المصلحة الذين يحتاجون إليها."

لماذا يهم التوقيت

قامت الكاتبة الكبرى نويل سيلين، الأستاذة في معهد البيانات والأنظمة والمجتمع التابع لمعهد ماساتشوستس للتكنولوجيا وقسم علوم الأرض والغلاف الجوي والكواكب، ومديرة مركز علوم واستراتيجية الاستدامة، بصياغة العمل باعتباره إصلاحًا لسلسلة التوريد للمعلومات المناخية نفسها. نظرًا لأن التدريب على المحاكي قد يستغرق شهورًا أو سنوات، فإن الأدوات المتاحة للمخططين غالبًا ما تكون قديمة. وقالت: "من خلال تقليل وقت الإنتاج، أعتقد أن هذه التقنية ستغير قواعد اللعبة من حيث وضع أدوات محدثة في أيدي الباحثين والممارسين".

وتمتد التطبيقات إلى ما هو أبعد من الأوساط الأكاديمية: فالتوقعات المناخية الحديثة ترشد القرارات المتعلقة بمرونة شبكات الطاقة، وحماية الصحة العامة، والتخطيط الزراعي. وضم الفريق أيضًا شاهين بوعبيد، وأندريه سوكولوف، وبوبات سالونكي، وجلين فلييرل من معهد ماساتشوستس للتكنولوجيا، وسيباستيان دي إيستهام من إمبريال كوليدج لندن. الهدف التالي للباحثين هو توسيع التقنية بحيث تظل المحاكيات قوية مع دخول الكوكب في ظروف مناخية دون سابقة تاريخية.

---

ابقَ في طليعة الذكاء الاصطناعي

احصل على آخر الأخبار والتحليلات والإنجازات في مجال الذكاء الاصطناعي — كل ذلك في مكان واحد.

اقرأ المزيد من أخبار الذكاء الاصطناعي →