Χρησιμοποιώντας μια υβριδική προσέγγιση που συνδυάζει τα τυπικά μοντέλα που βασίζονται στη φυσική με ένα εργαλείο μηχανικής μάθησης, η ομάδα απέφυγε τα προβλήματα που παρατηρήθηκαν σε πειράματα που χρησιμοποιούσαν μόνο τεχνητή νοημοσύνη, δήλωσε ο Stephan Hoyer, ερευνητής της Google που ηγείται του έργου. «Προσπαθήσαμε πραγματικά να “αποσυναρμολογήσουμε το μαύρο κουτί”, αντί να έχουμε μόνο ένα μοντέλο καθαρής τεχνητής νοημοσύνης», είπε.
Τα μετεωρολογικά και κλιματικά μοντέλα είναι τα εργαλεία για όλους, από τους μετεωρολόγους της τοπικής τηλεόρασης μέχρι τους επιστήμονες του κλίματος που ερευνούν πόσο μπορεί ο άνθρωπος να θερμάνει τον πλανήτη. Τα σημερινά κλιματικά μοντέλα είναι φυσική που αποδίδεται ως λογισμικό, με τα σημαντικότερα μέρη του συστήματος της Γης να τίθενται σε δράση μαζί: ατμόσφαιρα, ωκεανός, ξηρά και πάγος.
Αυτά τα μοντέλα μπορούν να αποτυπώσουν τα κλιματικά και καιρικά συστήματα μεγάλης κλίμακας με μεγαλύτερη αξιοπιστία από ό,τι τα τοπικά φαινόμενα. Τα σύννεφα, οι βροχοπτώσεις, και οι ανεμοστρόβιλοι συμβαίνουν σε τόσο μικρές κλίμακες που οι γενικές εξισώσεις δεν μπορούν να τα περιγράψουν. Οι επιστήμονες συνήθως τα εκτιμούν από δεδομένα του πραγματικού κόσμου και τα προγραμματίζουν στα μοντέλα ως «παραμέτρους».
Το πειραματικό μοντέλο, NeuralGCM, βασίζεται στα υφιστάμενο μοντέλα γενικής κυκλοφορίας (GCM) για την προσομοίωση της φυσικής μεγάλης κλίμακας και χρησιμοποιεί μια προσέγγιση μηχανικής μάθησης, που ονομάζεται νευρωνικό δίκτυο, για την εκτίμηση των χαρακτηριστικών μικρότερης κλίμακας. «Εξαιτίας αυτού, είμαστε σε θέση να δημιουργήσουμε ένα μοντέλο που είναι πολύ πιο σταθερό και δίνει πολύ πιο αξιόπιστα αποτελέσματα όταν το τρέχουμε για μεγαλύτερες χρονικές περιόδους στο μέλλον, ακόμη και για χρόνια ή δεκαετίες», δήλωσε ο Hoyer.
Ο R. Saravanan, καθηγητής ατμοσφαιρικών επιστημών στο Πανεπιστήμιο Texas A&M, ο οποίος δεν συμμετείχε στην έρευνα, τη χαρακτήρισε «σημαντική πρόοδο στην ατμοσφαιρική μοντελοποίηση και τη μακροπρόθεσμη πρόβλεψη του καιρού, αλλά όχι απαραίτητα ένα τεράστιο άλμα στην πρόβλεψη του κλίματος».
Το υβριδικό μοντέλο έχει περιορισμούς. Υπολογίζει την άνοδο της θερμοκρασίας μόνο στην ατμόσφαιρα και όχι στους ωκεανούς, στη γη, ή στους πάγους. Τα συμβατικά μοντέλα είναι σε θέση να προσομοιώσουν όλα τα σημαντικά στοιχεία του γήινου συστήματος. Επίσης, η νέα προσέγγιση ακόμη δεν επιτρέπει στους ερευνητές να μεταβάλλουν το επίπεδο των αερίων του θερμοκηπίου στην ατμόσφαιρα, μια κεντρική λειτουργία των σύγχρονων κλιματικών μοντέλων. Οι ερευνητές χρησιμοποιούν τη θερμοκρασία της επιφάνειας της θάλασσας και όχι τις εκπομπές, ως παράγοντας για τις αλλαγές στην ατμόσφαιρα.
Ο Saravanan δήλωσε ότι το έργο μπορεί να αποδειχθεί ιδιαίτερα χρήσιμο για την πρόβλεψη του καιρού σε υποεποχιακές και εποχιακές κλίμακες. Εάν η προσέγγιση μπορεί να επεκταθεί ώστε να συμπεριλάβει τους ωκεανούς, θα μπορούσε να γίνει χρήσιμη στους ερευνητές που μελετούν τα καιρικά πρότυπα El Niño και La Niña, είπε.
Οι ερευνητές αναπτύσσουν μια λειτουργία στο NeuralGCM που παράγει προβλέψεις τυφώνων για το επόμενο έτος, οι οποίες, αν αποδειχθούν χρήσιμες, θα μπορούσαν να βοηθήσουν τους ανθρώπους να προετοιμαστούν για τις καταιγίδες και να δημιουργήσουν υποδομές προσαρμογής, δήλωσε ο Hoyer.
Τα ατμοσφαιρικά μοντέλα μηχανικής μάθησης είναι πολύ ταχύτερα και απαιτούν λιγότερη υπολογιστική ισχύ από τα τυπικά μοντέλα. Ένα από αυτά, το GraphCast, που αναπτύχθηκε επίσης από την Google, έχει 5.417 γραμμές κώδικα, σε σύγκριση με 376.578 γραμμές για ένα μοντέλο της αμερικανικής κυβέρνησης. Για το Neural GCM, ο Hoyer δήλωσε: «Μπορείτε να το τρέξετε σε έναν φορητό υπολογιστή».
Παρόλα αυτά, η μηχανική μάθηση δεν είναι υποκατάστατο της φυσικής, προειδοποίησε ένας επιστήμονας του κλίματος σχετικά με τα νέα αποτελέσματα. «Δεν υπάρχει μονοπάτι που να σας οδηγεί στο μέλλον του κλίματος χωρίς τα τρέχοντα κλιματικά μοντέλα», δήλωσε ο Gavin Schmidt, διευθυντής του Ινστιτούτου Διαστημικών Μελετών Goddard της NASA.
Οι επιστήμονες συνήθως εκτιμούν το ποσό της παγκόσμιας θέρμανσης που είναι πιθανό να προέλθει από τις εκπομπές των αερίων του θερμοκηπίου ως εύρος, αντανακλώντας τη χαοτική φύση του κλίματος. Το ίδιο συμβαίνει και στην πρόβλεψη του καιρού, όταν οι μετεωρολόγοι λένε ότι υπάρχει, για παράδειγμα, 40% πιθανότητα βροχής. Τα μοντέλα που βασίζονται στη φυσική είναι σε θέση να εστιάσουν σε αυτό το χάος και να περιορίσουν τον τρόπο με τον οποίο ο κόσμος μπορεί να ανταποκριθεί σε υψηλότερες θερμοκρασίες. Αλλά τα μοντέλα τεχνητής νοημοσύνης, επειδή δεν υπολογίζουν άμεσα τη φυσική, δεν έχουν τρόπο να συλλάβουν την εγγενή, αναπόφευκτη ασάφεια στην πρόβλεψη, δήλωσε ο Schmidt.
Το πιο σαφές πλεονέκτημα του νέου μοντέλου μπορεί να είναι σε σχέση με τις προσομοιώσεις του κλίματος που χρησιμοποιούν μόνο μηχανική μάθηση. «Με την πρώτη ματιά, το NeuralGCM ακούγεται σαν μια σημαντική πρόοδος στη μοντελοποίηση που βασίζεται σε καθαρή μηχανική μάθηση», δήλωσε ο Saravanan. «Στην πραγματικότητα, είναι ακριβώς το αντίθετο— η εργασία αναδεικνύει τους περιορισμούς των προσεγγίσεων που βασίζονται σε καθαρή μηχανική μάθηση».
Το έργο αποτελεί μέρος της ευρύτερης προσπάθειας της Google για την τεχνητή νοημοσύνη και οι συγγραφείς σημειώνουν ότι η υβριδική προσέγγιση φυσικής και τεχνητής νοημοσύνης θα μπορούσε να δώσει ώθηση σε άλλες προσπάθειες στην επιστήμη των υλικών, την αναδίπλωση πρωτεϊνών, και τη μηχανική. Η τεχνητή νοημοσύνη έχει ήδη ένα άλλο αποτέλεσμα στην Google: Η υπολογιστική ΤΝ έντασης ισχύος ώθησε τις εκπομπές αερίων του θερμοκηπίου της να αυξηθούν κατά 48% σε πέντε χρόνια.