Методы машинного обучения могут ускорить моделирование ледников в 1000 раз

Прочитано: 72 раз(а)
1 Звезда2 Звезды3 Звезды4 Звезды5 Звезд (1 голосов, среднее: 5,00 из 5)
Loading ... Loading ...


Была разработана новая модель ледника, которая может имитировать динамику льда и взаимодействие льда с климатом в тысячу раз быстрее, чем предыдущие модели. Эту модель можно использовать для прогнозирования эволюции ледников и ледяных щитов при различных сценариях. Поскольку талая вода ледников и ледовых щитов является основным фактором повышения уровня моря, подобные модели являются ценным инструментом для оценки их потенциального вклада в будущем.

В новой модели используется подход машинного обучения, который значительно ускоряет моделирование ледников, сохраняя при этом высокий уровень точности (степень, в которой симуляция или модель точно воспроизводит объект или процесс, для представления которых она предназначена). В результате можно проводить больше моделирования с использованием различных исходных данных и допущений, исследуя более широкий круг вопросов.

Методы машинного обучения могут ускорить моделирование ледников в 1000 раз

Современная инструктированная модель ледника очень эффективна по сравнению с хорошо зарекомендовавшими себя инструментами моделирования. Он реализует искусственную нейронную сеть , которая представляет собой компьютерную систему , имитирующую нейронные сети, найденные в нашем мозгу. Они «обучили» нейронную сеть, введя данные из моделей ледяных щитов, чтобы она могла имитировать динамику льда. Этот процесс обучения называется машинным обучением и считается частью области искусственного интеллекта. Методы моделирования до ИИ требовали большого участия человека, наблюдения и принятия решений, тогда как с машинным обучением компьютерная система самостоятельно управляет человеческим процессом обновления модели.

Ведущий разработчик Гийом Жуве, старший научный сотрудник Цюрихского университета, объяснил, что «[существует] новая тенденция машинного обучения, основанная на данных, сгенерированных физическими моделями». Физические модели (также называемые физическими моделями) уже давно используются для понимания физических процессов, происходящих в системе Земли, без использования искусственного интеллекта.


Физическое моделирование ледяных щитов и ледников с высоким пространственным разрешением является огромной проблемой даже сегодня. За последние два десятилетия были предприняты исключительные усилия для разработки моделей для моделирования течения льда и связанных с ним физических процессов, а также его взаимодействия с климатом. Добавление сложности к моделям увеличивает вычислительные затраты на моделирование, поэтому в большинстве моделей часто используются приближения к уравнениям Стокса, которые наиболее точно описывают течение льда, что влечет за собой компромисс между точностью и вычислительными затратами. Жуве описывает, что основная мотивация перехода к машинному обучению заключается в том, что «в некотором смысле вы сокращаете свое физическое моделирование, делая выигрыш в вычислительном отношении намного дешевле».

GlacierHub поговорил с Лаурой Сандовал из Университета Колорадо в Боулдере, которая руководила обзором искусственного интеллекта в области наук о Земле. «За последнее десятилетие деятельность ИИ [и] машинного обучения значительно расширилась в области наук о Земле, [но] большая часть усилий ИИ в геолого-исследовательских группах все еще находится на стадии зачатия», — заявила она. «В настоящее время исследователи активно изучают многие модели ИИ и создают прототипы решений для сложных проблем в своих областях». Однако по сравнению с традиционными моделями, основанными на физике, пока не произошло больших прорывов в продуктах искусственного интеллекта и машинного обучения. Сандовал добавил, что «внедрение ИИ все еще продолжается».

Инструктированная модель ледника заменяет наиболее требовательный к вычислениям компонент модели с помощью нейронной сети, обученной на больших наборах данных. Использование большого количества данных моделирования, доступных для обучения нейронной сети, обеспечивает решения с высокой точностью при гораздо меньших вычислительных затратах. Он может прогнозировать поток льда на основе заданных переменных и упрощенных процессов для использования в глобальном моделировании ледников, а также при исследовании прошлых ледниковых сред.

«Самой дорогой частью было вычисление динамики, потому что она включала сложную физику, [но] машинное обучение ускорило эту часть модели. В результате мы можем моделировать ледник с той же точностью гораздо быстрее, чем раньше. Мы можем использовать это для изучить гораздо больше параметров и [провести] более точное моделирование», — сказал Жуве. Исследование модели заняло у Жуве и его команды более года. Он добавил, что «мне пришлось изучить эту новую технику — все инструменты, которые я использую, действительно новые».

Исследователи довольны тем, что им удалось запустить машинное обучение, и теперь Жуве с нетерпением ждет возможности использовать свою модель для реконструкции эволюции ледников в Альпах за последний ледниковый цикл продолжительностью 100 000 лет. «Преимущество этого подхода заключается в том, что вы ускоряете моделирование, поэтому вы можете позволить себе работать с большими временными масштабами. [Там, где] традиционные модели могут занять несколько недель, теперь это может занять час».

Внедрение искусственного интеллекта и машинного обучения не обходится без проблем и скептицизма, подобного тому, что наблюдается в громких делах в области биологии и инженерии. Сандовал объясняет: «Этика действительно является одной из главных проблем. Однако, поскольку мы все еще находимся на ранней стадии прототипирования, основными текущими аргументами против ИИ являются неопределенность, объяснимость и воспроизводимость». Этические проблемы, связанные с ИИ, включают потерю рабочих мест для людей, неравное распределение богатства, созданного машинами ИИ, безопасность данных ИИ и возможность злонамеренных действий. По мере расширения внедрения ИИ возникает все больше проблем, таких как экологические проблемы использования большого количества энергии для запуска компьютерных моделей. Подобные аргументы широко используются против других киберсервисов, таких как криптовалюта и электронная торговля.

Ученые много лет изучают важные вопросы о нашем климате и системе Земли и накопили большой объем данных, которые будут использоваться для обучения моделей ИИ. «Учитывая недавние огромные инвестиции в ИИ со стороны как государственного, так и частного секторов, мы ожидаем увидеть, что в ближайшие несколько лет соответствующие приложения для исследований ИИ, ориентированных на данные, в геонауках будут расцветать», — говорит Сандовал.

Несмотря на переход, не все геонаучные задачи могут быть решены с помощью ИИ, а некоторые вопросы плохо подходят для классических методов машинного обучения . «Некоторые земные явления являются экстремальными явлениями, и их закономерности нельзя узнать из исторических данных. Поиск подходящего вопроса — ключевой первый шаг к разработке успешного приложения ИИ», — заключает Сандовал.

Новая инструктированная модель ледника является успешным примером того, как новые методы моделирования ледников могут заменить традиционно известные подходы, основанные на физике. Много неопределенностей, связанных с искусственным интеллектом, все еще остается, и вопрос о том, будет ли виден крупномасштабный прогресс в этой области, — это вопрос ближайшего десятилетия. На данный момент будут применяться как старые, так и новые методы, чтобы дать ответы на некоторые из наших самых важных вопросов, касающихся ледяных щитов и ледников.

Экспедиция в Западный Антарктический ледниковый щит стремится раскрыть историю развития климата



Новости партнеров