Ένα νέο άλμα στην κλιματική επιστήμη πραγματοποιήθηκε στο University of Washington, όπου μια ομάδα ερευνητών κατάφερε να ανατρέψει τα δεδομένα στις προσομοιώσεις του πλανητικού κλίματος. Το εργαλείο τους, γνωστό ως Deep Learning Earth System Model ή DLESyM, είναι ένα AI μοντέλο που μπόρεσε να αναπαράγει χίλια χρόνια κλιματικών δεδομένων μέσα σε μόλις δώδεκα ώρες, χρησιμοποιώντας έναν απλό επεξεργαστή. Ένα επίτευγμα που μέχρι πρόσφατα θα φάνταζε ανέφικτο.
Πίσω από την καινοτομία βρίσκονται ο καθηγητής ατμοσφαιρικών επιστημών Dale Durran και ο υποψήφιος διδάκτορας Nathaniel Cresswell-Clay. Η μελέτη τους δημοσιεύθηκε στο επιστημονικό περιοδικό AGU Advances και παρουσιάζει μια νέα προσέγγιση στη μελέτη των μακροπρόθεσμων κλιματικών μεταβολών, αξιοποιώντας τις δυνατότητες της τεχνητής νοημοσύνης εκεί όπου μέχρι τώρα κυριαρχούσαν οι πανάκριβες και ενεργοβόρες υπερυπολογιστικές υποδομές.
Μέχρι σήμερα, τα πιο διαδεδομένα μοντέλα κλίματος βασίζονται σε φυσικές εξισώσεις που «τρέχουν» σε υπερυπολογιστές. Η ακρίβεια είναι υψηλή, αλλά το κόστος τεράστιο: μια προσομοίωση διάρκειας χιλίων ετών θα απαιτούσε περίπου τρεις μήνες συνεχούς επεξεργασίας. Το DLESyM πέτυχε το ίδιο σε μία μέρα και με ελάχιστη κατανάλωση ενέργειας, χωρίς να υπολείπεται σε αξιοπιστία. Στις συγκρίσεις με τα παραδοσιακά μοντέλα του προγράμματος CMIP6, που χρησιμοποιεί και η IPCC για τις εκθέσεις της για την κλιματική αλλαγή, η τεχνητή νοημοσύνη στάθηκε ισάξια, ενώ σε ορισμένες περιπτώσεις ξεπέρασε τα κλασικά εργαλεία.
Το μυστικό κρύβεται στον συνδυασμό δύο νευρωνικών δικτύων: το ένα αναπαριστά την ατμόσφαιρα και το άλλο τον ωκεανό. Τα δύο «συνομιλούν» μεταξύ τους, ανταλλάσσοντας δεδομένα σε διαφορετικά χρονικά διαστήματα – κάθε 12 ώρες για την ατμόσφαιρα και κάθε τέσσερις ημέρες για την επιφάνεια της θάλασσας. Με αυτόν τον τρόπο, το μοντέλο καταφέρνει να αποτυπώσει περίπλοκα φαινόμενα όπως οι μουσώνες, οι τροπικοί κυκλώνες ή οι λεγόμενες «ατμοσφαιρικές παγίδες», που μπορούν να καθηλώσουν κύματα καύσωνα ή ψύχους για εβδομάδες.
Ακόμη πιο εντυπωσιακό είναι ότι το DLESyM εκπαιδεύτηκε κυρίως με βραχυπρόθεσμα δεδομένα, όπως ημερήσιες προβλέψεις. Παρ’ όλα αυτά, μπόρεσε να μάθει τις εποχικές και διαχρονικές διακυμάνσεις του κλίματος. Οι ίδιοι οι ερευνητές χαρακτήρισαν το αποτέλεσμα «αντιδιαισθητικό», καθώς μέχρι σήμερα θεωρούνταν ότι η έλλειψη εκτεταμένων εποχικών δεδομένων ήταν ανυπέρβλητο εμπόδιο για την αξιοποίηση της τεχνητής νοημοσύνης στην κλιματολογία.
Οι συγκριτικές δοκιμές απέδειξαν ότι η τεχνητή νοημοσύνη δεν υστερεί σε κρίσιμα φαινόμενα. Αντίθετα, σε ορισμένους τομείς, όπως η προσομοίωση τροπικών καταιγίδων ή οι ινδικοί θερινοί μουσώνες, το DLESyM παρείχε καλύτερα αποτελέσματα από τα καθιερωμένα μοντέλα. Και όλα αυτά με αμελητέο ενεργειακό αποτύπωμα. Σε μια περίοδο όπου η συζήτηση για τις τεράστιες ενεργειακές απαιτήσεις της τεχνητής νοημοσύνης βρίσκεται στο επίκεντρο, με σενάρια που μιλούν ακόμα και για data centers τροφοδοτούμενα από πυρηνικούς αντιδραστήρες μικρής κλίμακας, η προοπτική εργαλείων χαμηλής κατανάλωσης αποτελεί ένα ισχυρό μήνυμα.
Ένα ακόμη στοιχείο που ξεχωρίζει είναι η ανοιχτή πρόσβαση στο μοντέλο. Το DLESyM διατίθεται ελεύθερα και μπορεί να το κατεβάσει οποιοσδήποτε θέλει να πειραματιστεί, χωρίς την ανάγκη υπερυπολογιστή. Αυτό σημαίνει ότι πανεπιστήμια, μικρά ερευνητικά κέντρα και οργανισμοί που μέχρι σήμερα δεν είχαν πρόσβαση σε τέτοιες υποδομές, μπορούν πλέον να συμμετάσχουν ισότιμα στην κλιματική έρευνα. Μια δημοκρατικοποίηση της γνώσης που μπορεί να οδηγήσει σε νέες ανακαλύψεις και συνεργασίες.
Οι ερευνητές δεν σκοπεύουν να σταματήσουν εδώ. Το επόμενο βήμα είναι η ενσωμάτωση του εδάφους και της βλάστησης στις προσομοιώσεις, ώστε να αναπαρίστανται με μεγαλύτερη ακρίβεια οι αλληλεπιδράσεις της βιόσφαιρας με την ατμόσφαιρα. Η ενσωμάτωση αυτών των παραμέτρων αναμένεται να φέρει το μοντέλο ακόμη πιο κοντά στην πραγματικότητα, καθιστώντας το εργαλείο όχι μόνο ακριβέστερο αλλά και πιο ολοκληρωμένο.
[via]
