MIT พัฒนาวิธีการปรับปรุงสถานการณ์การปล่อยเพื่อเพิ่มความแม่นยำในการพยากรณ์สภาพอากาศ

·โดย Henderson·Engineering
MIT พัฒนาวิธีการปรับปรุงสถานการณ์การปล่อยเพื่อเพิ่มความแม่นยำในการพยากรณ์สภาพอากาศ
จุดเด่น
  • MIT พัฒนาวิธีใหม่เพื่อเพิ่มความแม่นยำของตัวจำลองสภาพอากาศ
  • ตัวจำลองสามารถทำการทดสอบสถานการณ์ได้ภายในไม่กี่วินาที มีประสิทธิภาพสูงกว่ารูปแบบดั้งเดิม
  • การปรับปรุงเส้นโค้งการปล่อยที่มีการเปลี่ยนแปลงให้ข้อมูลระบบมากขึ้น
  • โมเดลที่เรียบง่ายมีความเบี่ยงเบนของอุณหภูมิสูงถึง 4.5 องศาฟาเรนไฮต์ในสถานการณ์ที่มีการเพิ่มอุณหภูมิสูง

นักวิจัยจาก Massachusetts Institute of Technology (MIT) ได้พัฒนาวิธีการที่สามารถฝึกอบรมตัวจำลองสภาพอากาศด้วยปัญญาประดิษฐ์ (AI) บนสถานการณ์การปล่อยที่สร้างขึ้นโดยคอมพิวเตอร์หลายสถานการณ์ ตามรายงานจาก Proceedings of the National Academy of Sciences (PNAS) และการเผยแพร่ของ MIT การทดสอบโมเดลสภาพอากาศที่เรียบง่ายแสดงให้เห็นว่าวิธีการนี้สามารถทำได้ดีกว่าข้อมูลการฝึกอบรมมาตรฐาน ตัวจำลองสภาพอากาศเป็นโมเดล AI ที่รวดเร็ว ซึ่งเลียนแบบโมเดลระบบโลก (ESMs) ที่ใช้การจำลองตามกฎทางฟิสิกส์สำหรับการพยากรณ์สภาพอากาศในระยะยาว MIT ระบุว่า ESM หนึ่งตัวที่ทำงานบนคลัสเตอร์ซูเปอร์คอมพิวเตอร์อาจใช้เวลาหลายเดือนในการดำเนินการสถานการณ์หนึ่ง ขณะที่ตัวจำลองสามารถทำได้ภายในไม่กี่วินาที ทำให้วิทยาศาสตร์สามารถทดสอบสถานการณ์ได้หลายพันสถานการณ์

วิธีการใหม่เพื่อเพิ่มประสิทธิภาพของตัวจำลอง

ตัวจำลองมักจะฝึกอบรมจากเส้นทางการปล่อยที่เป็นจริงจำนวนหกถึงแปดเส้นทาง โดยแต่ละเส้นทางต้องการการดำเนินการ ESM ของตนเอง ทีมงานจาก MIT ใช้โมเดลสภาพอากาศที่เรียบง่ายเพื่อสร้างซอฟต์แวร์ที่สามารถคำนวณว่าการเปลี่ยนแปลงเล็กน้อยของการปล่อยมีผลต่อข้อผิดพลาดของตัวจำลองอย่างไร จากนั้นพวกเขาปรับเส้นทางการปล่อยเริ่มต้นอย่างค่อยเป็นค่อยไปเพื่อลดข้อผิดพลาดนั้น

ตามข้อมูลที่เผยแพร่ สถานการณ์ที่ปรับปรุงแล้วอาจดูไม่เหมือนอนาคตที่เป็นจริงเลย นักเขียนหลักของทีมและนักวิจัยหลังปริญญาเอกจาก ETH Zurich คริสโตเฟอร์ วอร์มาร์ค กล่าวว่า ทีมงานไม่ได้ให้ความสำคัญกับความเป็นจริงของสถานการณ์การฝึกอบรมมากนัก เส้นโค้งการปล่อยมีการเปลี่ยนแปลงอย่างรวดเร็ว แทนที่จะติดตามเส้นทางที่เรียบง่าย วอร์มาร์คกล่าวว่า การเปลี่ยนแปลงเหล่านี้ให้ข้อมูลเกี่ยวกับระบบทั้งหมดมากขึ้น ในเอกสารพรีพิมพ์ ตัวจำลองที่ฝึกอบรมจากสถานการณ์ที่ปรับปรุงเพียงสถานการณ์เดียวได้แสดงผลดีกว่าตัวจำลองที่ฝึกอบรมจากเส้นทางมาตรฐานหกเส้นทาง

เกณฑ์มาตรฐานจะถูกประเมินตามข้อมูลการฝึกอบรมของตนเอง ซึ่งเป็นสถานการณ์ที่ดีที่สุดในทางทฤษฎี

ผลการทดสอบของโมเดลที่เรียบง่าย

การทดสอบครั้งที่สองใช้โมเดลระบบโลกของ MIT ซึ่งเป็นทางเลือก ESM ที่เรียบง่าย โดยมุ่งเน้นไปที่สถานการณ์ของก๊าซคาร์บอนไดออกไซด์ ตัวจำลองที่ฝึกอบรมจากสถานการณ์ที่ปรับปรุงหนึ่งหรือสองสถานการณ์ได้แสดงผลที่ตรงกันหรือดีกว่ากับเกณฑ์มาตรฐานที่มีนโยบายและสถานการณ์ที่สมมุติขึ้นอื่น ๆ เกณฑ์มาตรฐานยังคงดีที่สุดในสถานการณ์การฝึกอบรมของตนเอง การรวมกันของสองสถานการณ์ทำให้ทักษะเฉลี่ยในสถานการณ์นโยบายทางเลือกเพิ่มขึ้น 32.6% MIT ระบุว่าตัวจำลองที่ใช้วิธีการฝึกอบรมนี้ยังสามารถจับกฎการปนเปื้อนในท้องถิ่นเมื่อสารมลพิษหนึ่งลดลงในขณะที่สารมลพิษอื่นเพิ่มขึ้น ซึ่งเป็นการทดสอบที่ตัวจำลองแบบดั้งเดิมไม่สามารถทำได้

การทดสอบใช้โมเดลที่เรียบง่ายแทนที่จะเป็น ESM ที่สมบูรณ์ ในการเผยแพร่ระบุว่าผู้ใช้จะดำเนินการ ESM เพียงครั้งเดียว แต่เอกสารพรีพิมพ์ได้ระบุการจำลอง ESM ที่สมบูรณ์สำหรับสถานการณ์ที่ปรับปรุงเป็นงานในอนาคต ดังนั้นการประหยัดนี้ยังไม่ได้รับการยืนยัน โดยสมมติว่าสถานการณ์ที่ปรับปรุงในโมเดลที่เรียบง่ายสามารถถ่ายโอนไปยังโมเดลที่สมบูรณ์ได้ เอกสารพรีพิมพ์พบว่าโมเดลที่เรียบง่ายมีความเบี่ยงเบนของอุณหภูมิสูงถึง 4.5 องศาฟาเรนไฮต์ (ประมาณ 2.5 องศาเซลเซียส) ในสถานการณ์ที่มีการเพิ่มอุณหภูมิสูง เมื่ออุณหภูมิเริ่มคงที่หรือลดลง การรวมกันของสองสถานการณ์ที่ปรับปรุงอาจลดทอนผลประโยชน์ของเส้นทางหนึ่ง ขณะที่ตัวจำลองเป็นโครงข่ายประสาทพื้นฐาน

ซูเปอร์คอมพิวเตอร์ Discover ของ NASA ใช้หลักในการพยากรณ์สภาพอากาศ

การพยากรณ์ด้วยปัญญาประดิษฐ์มีอยู่ในงานอุตุนิยมวิทยา: Google’s GraphCast สามารถสร้างการพยากรณ์ระยะเวลา 10 วันได้ภายในเวลาไม่ถึงหนึ่งนาที ทีมงานหวังที่จะทดสอบเทคโนโลยีนี้บนสถานการณ์ที่สร้างขึ้นโดย ESM ที่สมบูรณ์ และนำไปใช้กับโมเดลสภาพอากาศและการเรียนรู้ของเครื่องอื่น ๆ บริษัท Schmidt Science ได้สนับสนุนงานนี้ผ่านความท้าทายที่สำคัญของ MIT งานวิจัยนี้เผยแพร่ใน PNAS

ผลกระทบที่อาจเกิดขึ้นจากการปรับปรุงสถานการณ์การปล่อย

การวิจัยจาก Massachusetts Institute of Technology (MIT) แสดงให้เห็นว่าการปรับปรุงสถานการณ์การปล่อยสามารถเพิ่มความแม่นยำและประสิทธิภาพของตัวจำลองสภาพอากาศได้อย่างมีนัยสำคัญ วิธีการนี้ไม่เพียงแต่สามารถทดสอบสถานการณ์จำนวนมากในระยะเวลาอันสั้น แต่ยังสามารถจับกฎการปนเปื้อนที่ซับซ้อนซึ่งตัวจำลองแบบดั้งเดิมไม่สามารถสะท้อนออกมาได้ ด้วยผลกระทบจากการเปลี่ยนแปลงสภาพอากาศที่ชัดเจนมากขึ้น การพัฒนาเทคโนโลยีนี้มีความสำคัญต่อการพยากรณ์สภาพอากาศในอนาคตและการกำหนดนโยบายที่เหมาะสม การวิจัยเพิ่มเติมอาจทำให้เทคโนโลยีนี้สามารถนำไปใช้ในโมเดลสภาพอากาศที่ซับซ้อนมากขึ้น ซึ่งจะช่วยเพิ่มความสามารถในการพยากรณ์โดยรวม

H
เกี่ยวกับผู้เขียน
Henderson