مدل های ساده تر می توانند از یادگیری عمیق در پیش بینی آب و هوا بهتر عمل کنند | اخبار MIT

دانشمندان محیط زیست به طور فزاینده ای از مدل های هوش مصنوعی عظیم برای پیش بینی در مورد تغییرات آب و هوا و آب و هوا استفاده می کنند ، اما یک مطالعه جدید توسط محققان MIT نشان می دهد که مدل های بزرگتر همیشه بهتر نیستند.

این تیم نشان می دهد که ، در سناریوهای خاص آب و هوا ، مدل های مبتنی بر فیزیک بسیار ساده تر می توانند پیش بینی های دقیق تری نسبت به مدل های یادگیری عمیق ترین پیشرفت داشته باشند.

تجزیه و تحلیل آنها همچنین نشان می دهد که یک تکنیک معیار که معمولاً برای ارزیابی تکنیک های یادگیری ماشین برای پیش بینی های آب و هوا استفاده می شود ، می تواند با تغییرات طبیعی در داده ها ، مانند نوسانات در الگوهای آب و هوا ، تحریف شود. این می تواند کسی را به این باور برساند که یک مدل یادگیری عمیق پیش بینی های دقیق تری را در این صورت انجام دهد.

محققان روشی قوی تر برای ارزیابی این تکنیک ها ایجاد کردند ، که نشان می دهد ، اگرچه مدل های ساده هنگام برآورد دمای سطح منطقه ای دقیق تر هستند ، رویکردهای یادگیری عمیق می توانند بهترین انتخاب برای برآورد بارندگی محلی باشند.

آنها از این نتایج برای تقویت یک ابزار شبیه سازی معروف به a استفاده کردند شبیه ساز آب و هوا، که می تواند به سرعت تأثیر فعالیت های انسانی را بر روی آب و هوای آینده شبیه سازی کند.

محققان کار خود را “داستان هشدار دهنده” در مورد خطر استقرار مدل های بزرگ هوش مصنوعی برای علوم آب و هوا می دانند. در حالی که مدل های یادگیری عمیق در حوزه هایی مانند زبان طبیعی موفقیت باورنکردنی نشان داده اند ، علوم آب و هوا حاوی مجموعه ای از قوانین فیزیکی و تقریبی است و این چالش به چگونگی ترکیب آن ها در مدل های AI تبدیل می شود.

“ما در تلاش هستیم تا مدل هایی را که برای تصمیم گیری در مورد سیاست های آب و هوا به جلو می روند ، برای انواع چیزهایی که تصمیم گیرندگان نیاز به پیشبرد دارند ، تهیه کنیم. در حالی که ممکن است استفاده از آخرین مواد ماشین آلات با تصویر بزرگ بر روی یک مشکل آب و هوا جذاب باشد ، نشان می دهد که این مطالعه به فکر کردن در مورد اصول ، مهم و مفید است.” گروه زمین ، علوم جوی و سیاره ای (EAPS) و مدیر مرکز علوم و استراتژی پایداری.

نویسندگان سلین نویسنده اصلی Björn Lütjens ، سابق EAPS Postdoc هستند که هم اکنون دانشمند تحقیقاتی در IBM Research است. نویسنده ارشد رافائل فراری ، استاد سیسیل و ایدا گرین استاد اقیانوس شناسی در EAPS و مدیر مرکز لورنز. و دانکن واتسون-پیرس ، استادیار دانشگاه کالیفرنیا در سن دیگو. سلین و فراری نیز محققان اصلی کشور هستند محاسبات به چالش آب و هوا پروژه ، از این رو این تحقیق پدیدار شد. در کاغذ امروز در مجله پیشرفت در مدل سازی سیستم های زمینبشر

مقایسه شبیه سازان

از آنجا که آب و هوای زمین بسیار پیچیده است ، در حال اجرا یک مدل پیشرفته از آب و هوا برای پیش بینی چگونگی تأثیر سطح آلودگی بر عوامل محیطی مانند دما می تواند هفته ها بر قدرتمندترین ابر رایانه های جهان طول بکشد.

دانشمندان غالباً شبیه سازهای آب و هوایی را ایجاد می کنند ، تقریب ساده تر از یک مدل آب و هوایی پیشرفته ، که سریعتر و در دسترس تر هستند. یک سیاستگذار می تواند از یک شبیه ساز آب و هوا استفاده کند تا ببیند چگونه فرضیات جایگزین در مورد انتشار گازهای گلخانه ای بر دمای آینده تأثیر می گذارد و به آنها در تهیه مقررات کمک می کند.

اما اگر پیش بینی های نادرست در مورد تأثیرات محلی تغییرات آب و هوا ایجاد کند ، یک شبیه ساز بسیار مفید نیست. در حالی که یادگیری عمیق برای تقلید به طور فزاینده ای محبوب شده است ، اما مطالعات کمی بررسی کرده اند که آیا این مدل ها بهتر از رویکردهای آزمایش شده و واقعی عمل می کنند.

محققان MIT چنین مطالعه ای را انجام دادند. آنها یک تکنیک سنتی به نام مقیاس بندی الگوی خطی (LPS) را با یک مدل یادگیری عمیق با استفاده از یک مجموعه داده معیار مشترک برای ارزیابی شبیه سازهای آب و هوا مقایسه کردند.

نتایج آنها نشان داد که LPS از مدل های یادگیری عمیق در پیش بینی تقریباً تمام پارامترهایی که آنها آزمایش کرده اند ، از جمله دما و بارش بهتر است.

Lütjens می گوید: “روشهای بزرگ هوش مصنوعی برای دانشمندان بسیار جذاب است ، اما به ندرت یک مشکل کاملاً جدید را حل می کنند ، بنابراین اجرای یک راه حل موجود ابتدا لازم است تا دریابیم که آیا رویکرد پیچیده یادگیری ماشین در واقع بر روی آن بهبود می یابد.”

به نظر می رسید که برخی از نتایج اولیه در مواجهه با دانش دامنه محققان پرواز می کنند. مدل قدرتمند یادگیری عمیق هنگام پیش بینی در مورد بارش باید دقیق تر باشد ، زیرا این داده ها از یک الگوی خطی پیروی نمی کنند.

آنها دریافتند که مقدار بالای تنوع طبیعی در مدل های آب و هوا می تواند باعث شود مدل یادگیری عمیق در نوسانات طولانی مدت غیرقابل پیش بینی مانند El Niño/La Niña عملکرد ضعیف داشته باشد. این نمره های معیار را به نفع LPS ، که میانگین آن نوسانات را نشان می دهد ، نشان می دهد.

ساخت یک ارزیابی جدید

از آنجا ، محققان با داده های بیشتری که به تنوع آب و هوای طبیعی می پردازند ، ارزیابی جدیدی را ساختند. با این ارزیابی جدید ، مدل یادگیری عمیق برای بارش محلی کمی بهتر از LPS عمل کرد ، اما LPS هنوز هم برای پیش بینی دما دقیق تر بود.

سلین می گوید: “استفاده از ابزار مدل سازی مناسب برای مشکل مهم است ، اما برای انجام این کار نیز باید در وهله اول مشکل را به روش صحیح تنظیم کنید.”

بر اساس این نتایج ، محققان LPS را در یک بستر تقلید آب و هوا قرار دادند تا تغییرات دمای محلی در سناریوهای مختلف انتشار را پیش بینی کنند.

فراری می افزاید: “ما طرفداری نمی کنیم که LP ها همیشه باید هدف باشند. هنوز محدودیت هایی دارد. به عنوان مثال ، LPS تنوع یا حوادث شدید آب و هوا را پیش بینی نمی کند.”

در عوض ، آنها امیدوارند که نتایج آنها بر لزوم توسعه تکنیک های معیار بهتر تأکید کند ، که می تواند تصویری کامل تر از کدام روش شبیه سازی آب و هوا برای یک وضعیت خاص مناسب باشد.

Lütjens می گوید: “با داشتن معیار بهبود تقلید آب و هوا ، ما می توانیم از روشهای پیچیده تر برای یادگیری ماشین استفاده کنیم تا مشکلاتی را که در حال حاضر بسیار دشوار است ، مانند تأثیرات ذرات معلق در هوا یا تخمین بارش شدید ، مورد بررسی قرار دهیم.”

در نهایت ، تکنیک های دقیق تر معیار کمک می کند تا سیاست گذاران بر اساس بهترین اطلاعات موجود تصمیم گیری کنند.

محققان امیدوارند که دیگران بر اساس تجزیه و تحلیل خود بسازند ، شاید با مطالعه پیشرفت های اضافی در روش های تقلید آب و هوا و معیارها. چنین تحقیقاتی می تواند معیارهای تأثیر محور مانند شاخص های خشکسالی و خطرات آتش سوزی یا متغیرهای جدید مانند سرعت باد منطقه ای را مورد بررسی قرار دهد.

این تحقیق تا حدودی توسط اشمیت علوم ، LLC تأمین می شود و بخشی از تیم MIT Grand Challenge برای “آوردن محاسبات به چالش آب و هوا” است.