شتابدهی مدل‌سازی اقلیمی با هوش مصنوعی مولد

مدل‌سازی بهتر اقلیم زمین با استفاده از هوش مصنوعی

الگوریتم‌های موجود در ابزارهای هوش مصنوعی تولیدی مانند DallE، هنگامی که با داده‌های مبتنی بر فیزیک ترکیب شوند، می‌توانند روش‌های بهتری برای مدل‌سازی اقلیم زمین توسعه دهند. دانشمندان کامپیوتر در سیاتل و سن دیگو اکنون از این ترکیب استفاده کرده‌اند تا مدلی ایجاد کنند که قادر است الگوهای اقلیمی را در طول ۱۰۰ سال، ۲۵ برابر سریع‌تر از بهترین مدل‌های موجود پیش‌بینی کند.

این مدل که سفیر DYffusion نام دارد، می‌تواند الگوهای اقلیمی ۱۰۰ ساله را در ۲۵ ساعت پیش‌بینی کند؛ شبیه‌سازی که برای سایر مدل‌ها هفته‌ها زمان می‌برد. علاوه بر این، مدل‌های پیشرفته موجود نیاز به اجرای روی ابررایانه‌ها دارند، در حالی که این مدل می‌تواند بر روی خوشه‌های GPU در یک آزمایشگاه تحقیقاتی اجرا شود.

محققان از دانشگاه کالیفرنیا سن دیگو و مؤسسه آلن برای هوش مصنوعی می‌نویسند: “مدل‌های یادگیری عمیق مبتنی بر داده در آستانه تحول مدل‌سازی آب و هوای جهانی و اقلیم هستند.” تیم تحقیقاتی کار خود را در کنفرانس NeurIPS 2024 که از ۹ تا ۱۵ دسامبر در ونکوور، کانادا برگزار می‌شود، ارائه خواهد داد.

شبیه‌سازی‌های اقلیمی به دلیل پیچیدگی‌شان، در حال حاضر بسیار پرهزینه هستند. به همین دلیل، دانشمندان و سیاست‌گذاران تنها می‌توانند شبیه‌سازی‌ها را برای مدت محدودی اجرا کنند و تنها سناریوهای محدودی را در نظر بگیرند.

مدل‌های هوش مصنوعی مولد و پیش‌بینی‌های اقلیمی

یکی از نکات کلیدی که محققان به آن پی بردند، این است که مدل‌های هوش مصنوعی مولد، مانند مدل‌های انتشار، می‌توانند برای پیش‌بینی‌های اقلیمی ترکیبی مورد استفاده قرار گیرند. آن‌ها این موضوع را با یک اپراتور عصبی کروی ترکیب کردند که مدلی از شبکه‌های عصبی است و برای کار با داده‌ها بر روی یک کره طراحی شده است. مدل حاصل، با دانش اولیه از الگوهای اقلیمی شروع می‌شود و سپس با استفاده از یک سری تغییرات بر اساس داده‌های یادگرفته شده، الگوهای آینده را پیش‌بینی می‌کند.

محققان می‌گویند: “یکی از مزایای اصلی این مدل نسبت به مدل‌های انتشار متداول، کارآمدی بالاتر آن است. ممکن است بتوان پیش‌بینی‌های واقع‌گرایانه و دقیقی با مدل‌های انتشار معمولی تولید کرد، اما نه با این سرعت.” علاوه بر این، این مدل به مراتب سریع‌تر از آخرین فناوری‌ها عمل می‌کند و دقت آن نیز تقریباً برابر است، در حالی که هزینه محاسباتی کمتری دارد.

با این حال، این مدل دارای محدودیت‌هایی است که محققان در تلاشند در نسخه‌های بعدی آن‌ها را برطرف کنند، از جمله افزودن عناصر بیشتری به شبیه‌سازی‌های خود. مراحل بعدی شامل شبیه‌سازی واکنش جو به دی‌اکسید کربن (CO2) است. “ما جو را شبیه‌سازی کردیم که یکی از مهم‌ترین عناصر در یک مدل اقلیمی به شمار می‌رود”، گفت رز یو، عضو هیئت علمی دپارتمان علوم کامپیوتر و مهندسی دانشگاه کالیفرنیا، سن دیگو و یکی از نویسندگان ارشد این مقاله.

این کار نتیجه یک دوره کارآموزی است که یکی از دانشجویان دکتری، سالوا روح‌لینگ کچای، در مؤسسه آلن برای هوش مصنوعی (Ai2) انجام داده است.