Wp\u0142yw sztucznej inteligencji na wiele bran\u017c zapiera dech w piersiach, a klimatologia nie zosta\u0142a pomini\u0119ta w tej transformacji. Poniewa\u017c naukowcy zajmuj\u0105cy si\u0119 \u015brodowiskiem stosuj\u0105 pot\u0119\u017cne modele sztucznej inteligencji do przewidywania zmian klimatu i warunk\u00f3w pogodowych, badania wskazuj\u0105, \u017ce wi\u0119ksze nie zawsze oznacza lepsze - szczeg\u00f3lnie w przypadku prognoz klimatycznych.<\/p>\n
Zesp\u00f3\u0142 naukowc\u00f3w z MIT ujawni\u0142, \u017ce mniejsze modele oparte na fizyce mog\u0105 przewy\u017csza\u0107 modele g\u0142\u0119bokiego uczenia si\u0119 w przewidywaniu niekt\u00f3rych aspekt\u00f3w klimatu. Zesp\u00f3\u0142 odkry\u0142, \u017ce te tradycyjne modele by\u0142y bardziej precyzyjne podczas okre\u015blania regionalnych temperatur powierzchni, w przeciwie\u0144stwie do oczekiwa\u0144, \u017ce skomplikowane modele sztucznej inteligencji zapewniaj\u0105 dok\u0142adniejsze wyniki.<\/p>\n
Noelle Selin, profesor w MIT's Institute for Data, Systems, and Society, podkre\u015bli\u0142a potrzeb\u0119 tworzenia modeli istotnych dla decydent\u00f3w. Wed\u0142ug niej, podczas gdy sztuczna inteligencja mo\u017ce kusi\u0107 naukowc\u00f3w, wa\u017cne jest, aby pami\u0119ta\u0107 o istocie problemu przed wskoczeniem na mod\u0119 AI.<\/p>\n
Co ciekawe, zesp\u00f3\u0142 badawczy natkn\u0105\u0142 si\u0119 na stronnicze oceny modeli AI. Naturalne wahania danych klimatycznych mog\u0105 zniekszta\u0142ca\u0107 wyniki, zawy\u017caj\u0105c dok\u0142adno\u015b\u0107 tych modeli. Sk\u0142oni\u0142o to badaczy do opracowania solidniejszej metody oceny. Podczas gdy odkryli, \u017ce liniowe skalowanie wzorc\u00f3w (LPS) dzia\u0142a\u0142o lepiej ni\u017c z\u0142o\u017cone modele w przewidywaniu zakres\u00f3w temperatur, g\u0142\u0119bokie uczenie si\u0119 okaza\u0142o si\u0119 bardziej obiecuj\u0105ce w lokalnych prognozach opad\u00f3w.<\/p>\n
Emulatory klimatu, przydatne narz\u0119dzia w tworzeniu polityki, symuluj\u0105 wp\u0142yw cz\u0142owieka na przysz\u0142e warunki klimatyczne. S\u0142u\u017c\u0105 one jako szybsza alternatywa dla pe\u0142nowymiarowych modeli klimatycznych, ale ich dok\u0142adno\u015b\u0107 ma najwi\u0119ksze znaczenie. Por\u00f3wnuj\u0105c LPS i g\u0142\u0119bokie uczenie przy u\u017cyciu powszechnie akceptowanego zbioru danych, naukowcy z MIT odkryli, \u017ce LPS przewy\u017cszy\u0142 g\u0142\u0119bokie uczenie pod wzgl\u0119dem prawie wszystkich parametr\u00f3w, w tym opad\u00f3w i temperatury.<\/p>\n
G\u0142\u00f3wny autor, Bj\u00f6rn L\u00fctjens, naukowiec z IBM Research, podkre\u015bli\u0142 ponadto, \u017ce chocia\u017c du\u017ce metody sztucznej inteligencji ekscytuj\u0105 naukowc\u00f3w, najpierw nale\u017cy wdro\u017cy\u0107 prostsze rozwi\u0105zania. Zauwa\u017cy\u0142, \u017ce kilka wynik\u00f3w, takich jak dane dotycz\u0105ce opad\u00f3w, by\u0142o sprzecznych z pocz\u0105tkowymi oczekiwaniami. Tam, gdzie zak\u0142adano, \u017ce modele g\u0142\u0119bokiego uczenia b\u0119d\u0105 radzi\u0107 sobie lepiej ze wzgl\u0119du na nieliniowy wzorzec opad\u00f3w, zmaga\u0142y si\u0119 one z d\u0142ugoterminowymi zmianami klimatu, czyni\u0105c LPS faworyzowanym modelem.<\/p>\n
Aby zapewni\u0107 dok\u0142adniejszy obraz, naukowcy sformu\u0142owali nowe ramy oceny, kt\u00f3re uwzgl\u0119dnia\u0142y naturaln\u0105 zmienno\u015b\u0107 klimatu. W tym kontek\u015bcie g\u0142\u0119bokie uczenie si\u0119 nieznacznie przewy\u017cszy\u0142o LPS w przewidywaniu lokalnych opad\u00f3w deszczu, podczas gdy LPS pozosta\u0142 modelem do przewidywania temperatury. Naukowcy nast\u0119pnie w\u0142\u0105czyli LPS do platformy emulacji klimatu, aby poprawi\u0107 lokalne prognozy temperatury w r\u00f3\u017cnych scenariuszach emisji.<\/p>\n
Celem tych bada\u0144, jak zauwa\u017cy\u0142 wsp\u00f3\u0142autor Raffaele Ferrari, nie jest uznanie jednej metody za lepsz\u0105, ale podkre\u015blenie warto\u015bci odpowiednich narz\u0119dzi dla konkretnych problem\u00f3w. Naukowcy maj\u0105 nadziej\u0119, \u017ce dzi\u0119ki ich pracy pojawi\u0105 si\u0119 bardziej ulepszone techniki analizy por\u00f3wnawczej, umo\u017cliwiaj\u0105ce badaczom rozpoznanie najbardziej odpowiednich modeli dla r\u00f3\u017cnych zada\u0144 zwi\u0105zanych z przewidywaniem klimatu.<\/p>\n
L\u00fctjens jest optymist\u0105, \u017ce dzi\u0119ki ulepszonemu wzorcowi emulacji klimatu, bardziej z\u0142o\u017cone modele uczenia maszynowego mog\u0105 rozwi\u0105zywa\u0107 problemy obecnie trudne do rozwi\u0105zania, takie jak wp\u0142yw aerozoli lub szacowanie ekstremalnych opad\u00f3w. Te niezwyk\u0142e badania s\u0105 cz\u0119\u015bci\u0105 programu MIT Wielkie wyzwania klimatyczne<\/a> i by\u0142a cz\u0119\u015bciowo sponsorowana przez Schmidt Sciences, LLC.<\/p>\n