محققان MIT یک تکنیک آموزشی ایجاد کرده‌اند که مدل‌های آب و هوایی هوش مصنوعی سریع و سازگار را با استفاده از کسری از داده‌هایی که معمولاً مورد نیاز است تولید می‌کند، مرحله‌ای که به گفته آنها می‌تواند زمان تولید این ابزارها را از ماه‌ها یا سال‌ها به چیزی بسیار قابل استفاده‌تر برای تصمیم‌گیری‌های سیاسی کاهش دهد. این تحقیق این هفته در مجموعه مقالات آکادمی ملی علوم منتشر شد.

مدل‌های مورد بحث شبیه‌سازهای آب و هوا هستند: سیستم‌های جانشین هوش مصنوعی فشرده که رفتار مدل‌های سیستم زمین در مقیاس کامل (ESM) را تقلید می‌کنند. ESM ها پیشران علم آب و هوا هستند - شبیه سازی های عظیم مبتنی بر فیزیک که نشان می دهد دما، بارندگی و سطح دریا چگونه به انتشار گازهای گلخانه ای واکنش نشان می دهد - اما اجرای یک سناریوی آینده ممکن است ماه ها طول بکشد تا روی خوشه ای از ابررایانه ها اجرا شود. در مقابل، شبیه‌سازها در چند ثانیه کار می‌کنند و به دانشمندان اجازه می‌دهند هزاران سناریو را آزمایش کنند، اثرات منطقه‌ای و آلاینده‌های خاص را بررسی کنند و پیامدهای غیرمنتظره مداخلات سیاسی را علامت‌گذاری کنند. برای پوشش مداوم نقش رو به گسترش هوش مصنوعی در علم، [اخبار تحقیقاتی هوش مصنوعی] ما را دنبال کنید (https://aibuzzwire.news).

مشکل: داده های آموزشی واقع بینانه، مدل های شکننده می سازد

هنگامی که محققان یک شبیه ساز آب و هوا می سازند، معمولاً آن را در شش تا هشت سناریوی انتشار آینده آموزش می دهند که از مسیرهای واقعی پیروی می کنند. هر یک باید از طریق یک ESM کامل اجرا شود تا داده های آموزشی تولید شود، که تولید مجموعه داده را پرهزینه و کند می کند. تیم MIT قبلاً یک حالت شکست نامحسوس را شناسایی کرده بود: شبیه‌سازهایی که بر اساس سناریوهای واقع‌بینانه آموزش دیده‌اند، زمانی که از آنها خواسته می‌شود موقعیت‌های ناآشنا یا جدید را پیش‌بینی کنند، عملکرد ضعیفی دارند - دقیقاً موقعیت‌هایی که سیاست‌گذاران به طور فزاینده‌ای نیاز به بررسی دارند.

کریستوفر ووماک PhD '26 که اکنون فوق دکترای ETH زوریخ و نویسنده اصلی مقاله در MIT News است، می گوید: «الگوریتم ما ممکن است سناریوهای عجیب و غریبی ایجاد کند که هیچ شباهتی به آینده واقعی ندارند، اما برای ما چندان اهمیتی نمی دهد که سناریوهای آموزشی واقع بینانه باشند. ما فقط سعی می کنیم بهترین مجموعه داده ممکن را برای آموزش یک شبیه ساز ایجاد کنیم."

یک ESM اجرا به جای هشت

تکنیک جدید خط لوله معمول را معکوس می کند. به جای مونتاژ سناریوهای واقعی، یک الگوریتم سناریوهای مصنوعی بهینه سازی شده را ایجاد می کند تا مهارت پیش بینی یک شبیه ساز خاص را به حداکثر برساند. این فرآیند با یک سناریوی دلخواه که از طریق یک مدل آب و هوایی ساده و سریع اجرا می‌شود، اندازه‌گیری می‌کند که چگونه شبیه‌ساز نتایج کامل ESM را بازتولید می‌کند، سپس به طور مکرر داده‌های آموزشی را مختل می‌کند - مثلاً انتشار CO2 را به شدت در سال 2050 افزایش می‌دهد یا متان را به سرعت در سال 2037 کاهش می‌دهد - تا زمانی که خطای شبیه‌ساز به کمتر از یکم برسد.

سناریوهای مصنوعی حاصل هیچ شباهتی به مسیرهای هموار دنیای واقعی ندارند. Womack گفت: «با معرفی این حرکت‌ها و نوسان‌های فرکانس بالا، داده‌های ما شبیه‌ساز را قادر می‌سازد تا اطلاعات بیشتری در مورد سیستم کلی استخراج کند. بازده عملی آن قابل توجه است: در جایی که ساختن یک مجموعه آموزشی زمانی نیاز به اجرای یک ESM کامل شش تا هشت بار داشت، کاربر اکنون به یک بار اجرا نیاز دارد.

قبولی در آزمون مدل های سنتی ناموفق بود

محققان گزارش می دهند که شبیه ساز آموزش دیده با روش آنها، نتایج سناریوهایی را که هرگز در طول آموزش ندیده بود، به دقت پیش بینی می کرد، در حالی که شبیه سازهای سنتی نتوانستند با آن سازگار شوند. در یکی از آزمایش‌هایی که توسط MIT News برجسته شده است، شبیه‌ساز آموزش‌دیده مصنوعی به درستی اثرات یک سیاست کنترل آلاینده محلی را نشان می‌دهد که یک آلاینده را کاهش می‌دهد در حالی که دیگر انتشار گازهای گلخانه‌ای همچنان در حال افزایش است - موردی که شبیه‌سازهای متعارف آموزش دیده مورد ارزیابی قرار نگرفتند.

Womack گفت: شبیه سازهای آب و هوا به ویژه برای مدل سازی سناریوهای مرتبط با سیاست مناسب هستند. "با استفاده از روش ما برای تولید داده های آموزشی بهینه شده برای یک شبیه ساز، می توانیم تولید شبیه سازهای بسیار قابل اعتمادتر را سرعت بخشیم، بنابراین بهتر می توانیم به خروجی های آنها برای تصمیم گیری سیاست اعتماد کنیم."

سازگاری اهمیت دارد زیرا آینده شبیه مجموعه آموزشی نخواهد بود. سلین گفت: «در آینده قطعاً شاهد اقلیم‌ها و سناریوهایی خواهیم بود که قبلاً ندیده‌ایم.» اگر بتوانیم این سناریوهای مختلف را قوی‌تر شبیه‌سازی کنیم، می‌توانیم اطلاعات قابل اعتمادتری را در اختیار ذینفعانی قرار دهیم که به آن نیاز دارند.»

چرا زمان بندی مهم است

نوئل سلین، نویسنده ارشد، استاد مؤسسه داده‌ها، سیستم‌ها و جامعه MIT و دپارتمان علوم زمین، جو و سیاره، و مدیر مرکز علوم و استراتژی پایداری، این کار را به‌عنوان یک اصلاح زنجیره تامین برای خود اطلاعات اقلیمی توصیف کرد. از آنجایی که آموزش شبیه ساز ممکن است ماه ها یا سال ها طول بکشد، ابزارهای موجود در دسترس برنامه ریزان اغلب قدیمی هستند. او گفت: «با کاهش زمان تولید، من فکر می‌کنم که این تکنیک از نظر دستیابی به ابزارهای به‌روز در دستان محققان و پزشکان، بازی را تغییر می‌دهد.

برنامه های کاربردی فراتر از دانشگاه است: پیش بینی های به روز آب و هوا تصمیم گیری در مورد انعطاف پذیری شبکه برق، حفاظت از سلامت عمومی و برنامه ریزی کشاورزی را ارائه می دهد. این تیم همچنین شامل شاهین بوابید، آندری سوکولوف، پوپات سالونکه و گلن فلیرل از MIT و سباستین دی ایستام از امپریال کالج لندن بودند. هدف بعدی محققان گسترش این تکنیک است تا شبیه سازها با ورود سیاره به شرایط آب و هوایی بدون سابقه تاریخی قوی باقی بمانند.

---

از هوش مصنوعی جلوتر بمانید

آخرین اخبار، تحلیل ها و پیشرفت های هوش مصنوعی را دریافت کنید - همه در یک مکان.

بیشتر بخوانید اخبار هوش مصنوعی →