توسط :
تحقیق اخیر محققان MIT نشان میدهد که مدلهای هوش مصنوعی پیچیده همیشه در پیشبینی تغییرات محلی دما و بارندگی موفق نیستند و گاهی مدلهای سادهتر مبتنی بر فیزیک برتری دارند.
در دنیای علم محیط زیست، استفاده از مدلهای بزرگ هوش مصنوعی برای پیشبینی تغییرات آبوهوا و اقلیم بهسرعت رو به افزایش است. با این حال، مطالعه جدیدی که توسط پژوهشگران MIT انجام شده است، نشان میدهد بزرگتر بودن مدلها همیشه به معنای بهتر بودن آنها نیست.
پژوهشگران نشان دادهاند که در سناریوهای خاصی از آبوهوا، مدلهای سادهتری که مبتنی بر قوانین فیزیک هستند میتوانند پیشبینیهای دقیقتری نسبت به مدلهای پیچیده یادگیری عمیق ارائه دهند. تحلیل آنها همچنین فاش کرده است که تکنیک معیارسنجی که معمولاً برای ارزیابی تکنیکهای یادگیری ماشین در پیشبینیهای اقلیمی استفاده میشود، میتواند توسط نوسانات طبیعی دادهها تحریف شود، مانند تغییرات الگوهای آبوهوایی. این مسئله میتواند منجر به این شود که کسی باور کند مدلی یادگیری عمیق پیشبینیهای دقیقتری انجام داده، درحالیکه اینگونه نیست.
پژوهشگران یک روش ارزیابی مقاومتری توسعه دادهاند که نشان میدهد در حالی که مدلهای سادهتر در برآورد دماهای سطحی منطقهای دقیقتر هستند، رویکردهای یادگیری عمیق میتوانند گزینه بهتری برای برآورد بارندگی محلی باشند. از این نتایج برای بهبود ابزاری شبیهسازی بهنام شبیهساز اقلیمی استفاده شده است که بهسرعت میتواند اثرات فعالیتهای انسانی بر اقلیم آینده را شبیهسازی کند.
محققان این تحقیق را بهعنوان یک «هشدار» درباره خطرات بهکارگیری مدلهای بزرگ هوش مصنوعی برای علم اقلیم ارائه میدهند. با اینکه مدلهای یادگیری عمیق در حوزههایی مانند زبان طبیعی موفقیتهای چشمگیری داشتهاند، علم اقلیم دارای مجموعهای اثباتشده از قوانین فیزیکی و تخمینها است و چالش بزرگی در چگونگی ادغام آنها با مدلهای هوش مصنوعی وجود دارد.
یکی دیگر از جنبههای مورد توجه در این مطالعه، مقایسه بین مدلهای مختلف شبیهسازی اقلیم است. اگرچه مدلهای یادگیری عمیق در برخی موارد محبوبیت بیشتری کسب کردهاند، تحقیقات کمتری درباره عملکرد آنها نسبت به رویکردهای سنتی انجام شده است. پژوهشگران MIT با استفاده از یک مجموعه داده معیار رایج، نتایج جالبی از مقایسه مدلهای یادگیری عمیق با تکنیکهای سنتی مانند الگوی مقیاسپذیری خطی (LPS) گرفتند. در اغلب موارد، LPS توانست در پیشبینی پارامترهایی مانند دما و بارندگی بهمراتب بهتر عمل کند.
نتیجهگیری پژوهشگران تأکید دارد بر اینکه برای هر مسئله باید از مدل مناسب آن استفاده کرد و برای این کار، لازم است ابتدا مسئله به درستی تعریف شود.
آنها نتایج تحقیق خود را در بستر یک پلتفرم شبیهسازی اقلیم ادغام کردند تا تغییرات دما را در سناریوهای مختلف انتشار پیشبینی کنند. این نتایج بر اهمیت توسعه تکنیکهای بهتر سنجش معیار تأکید دارد و میتواند به تنظیمکنندگان سیاست کمک کند که بر اساس بهترین اطلاعات موجود تصمیمگیری کنند.
نتیجهگیری
این مطالعه نشان میدهد که در شرایط مختلف آبوهوا، مدلهای متفاوتی مناسب هستند و همیشه مدلهای پیچیدهتر بهتر نیستند. این تحقیق بر ضرورت توسعه تکنیکهای معیارسنجی بهتر و ارزیابی دقیقتر مدلهای شبیهسازی اقلیم تأکید دارد.
پرسشهای متداول
مدلهای سادهتر که مبتنی بر فیزیک هستند، در برخی سناریوها بهخاطر توجه دقیقتر به قوانین فیزیکی و حذف نویزهای دادهای، دقت بالاتری دارند.
مدلهای یادگیری عمیق میتوانند در برآورد متغیرهای پیچیدهتر مثل بارندگیهای محلی مفید باشند، جایی که الگوها خطی نیستند و دادهها پیچیدگی بیشتری دارند.
تکنیکهای معیارسنجی بهتری میتوانند ارزیابیهای دقیقتری از کارایی مدلها ارائه دهند و به بهبود پیشبینیهای اقلیمی و تصمیمگیریهای مرتبط کمک کنند.
