Gépi tanulás forradalmasítja az éghajlati modellezést
Az éghajlati modellek kulcsfontosságú technológiát jelentenek a klímaváltozás hatásainak előrejelzésében. A Föld éghajlatának szimulálásával a tudósok és a döntéshozók képesek becsléseket készíteni a tengerszint emelkedéséről, áradásokról és hőmérséklet-növekedésről, és meghozni a megfelelő válaszlépéseket. Azonban a jelenlegi éghajlati modellek nem tudják elég gyorsan vagy megfizethetően szolgáltatni ezeket az információkat kisebb léptékű területekre, például egy város méretére.
Most, egy új, nyílt hozzáférésű tanulmány szerzői, amely a Journal of Advances in Modeling Earth Systems folyóiratban jelent meg, megtalálták a módját annak, hogy a gépi tanulást kihasználva hasznosítsák a jelenlegi éghajlati modellek előnyeit, miközben csökkentik a futtatásukhoz szükséges számítási költségeket.
„Ez a hagyományos bölcsességet a feje tetejére állítja,” mondja Sai Ravela, az MIT Föld-, Légköri és Bolygótudományi Tanszékének (EAPS) vezető kutatója, aki a tanulmányt az EAPS posztdoktori kutatójával, Anamitra Sahával együtt írta.
Hagyományos bölcsesség
Az éghajlati modellezésben a lecsökkentés az a folyamat, amely során egy durva felbontású globális éghajlati modellt használnak, hogy finomabb részleteket generáljanak kisebb régiókban. Képzeljünk el egy digitális képet: egy globális modell egy nagy kép a világról alacsony számú pixellel. A lecsökkentés során ráközelítünk arra a képrészletre, amelyet meg akarunk nézni – például Bostonra. De mivel az eredeti kép alacsony felbontású volt, az új verzió homályos; nem ad elég részletet ahhoz, hogy különösebben hasznos legyen.
„Ha durva felbontásról finom felbontásra váltunk, valahogy hozzá kell adnunk az információt,” magyarázza Saha. A lecsökkentés megpróbálja visszaadni ezt az információt azáltal, hogy kitölti a hiányzó pixeleket. „Ez az információ hozzáadása kétféleképpen történhet: vagy elméletből, vagy adatokból.”
A hagyományos lecsökkentés gyakran fizikai alapú modelleket használ (mint például a levegő emelkedésének, hűlésének és kondenzációjának folyamata, vagy a terület tájképe), és kiegészíti azt történelmi megfigyelésekből származó statisztikai adatokkal. De ez a módszer számításigényes: sok időt és számítási erőforrást igényel, miközben drága is.
Egy kicsit mindkettőből
Új tanulmányukban Saha és Ravela egy másik módot találtak az adatok hozzáadására. A gépi tanulás egyik technikáját, az úgynevezett adverszáriális tanulást alkalmazták. Ez két gépet használ: az egyik adatokat generál, amelyeket a képbe helyeznek. De a másik gép összehasonlítja a mintát a valós adatokkal. Ha úgy gondolja, hogy a kép hamis, akkor az első gépnek újra kell próbálkoznia, amíg meg nem győzi a második gépet. A folyamat végcélja a szuperfelbontású adatok létrehozása.
A gépi tanulási technikák, mint az adverszáriális tanulás, nem új ötlet az éghajlati modellezésben; ahol jelenleg küzdenek, az az alapvető fizikai törvények, mint például a megmaradási törvények, nagy mennyiségének kezelése. A kutatók felfedezték, hogy a bejövő fizika egyszerűsítése és a történelmi adatokból származó statisztikákkal való kiegészítése elegendő volt a szükséges eredmények eléréséhez.
„Ha a gépi tanulást kiegészítjük némi statisztikai információval és egyszerűsített fizikával, akkor hirtelen varázslatos,” mondja Ravela. Ő és Saha az extrém csapadékmennyiségek becslésével kezdték, eltávolítva a bonyolultabb fizikai egyenleteket, és a vízgőzre és a föld topográfiájára összpontosítva. Ezután általános csapadékmintákat generáltak a hegyvidéki Denver és a sík Chicago számára egyaránt, történelmi adatok alkalmazásával a kimenet korrigálására.
„Ez extrém értékeket ad nekünk, mint a fizika, sokkal alacsonyabb költséggel. És hasonló sebességet biztosít, mint a statisztika, de sokkal magasabb felbontásban.”
Az eredmények másik váratlan előnye az volt, hogy milyen kevés képzési adat volt szükséges. „Az a tény, hogy csak egy kis fizika és egy kis statisztika elegendő volt a gépi tanulási modell teljesítményének javításához, valójában nem volt nyilvánvaló az elején,” mondja Saha. Csak néhány órát vesz igénybe a képzés, és percek alatt eredményeket tud produkálni, ami javulás a hónapokig tartó más modellek futtatásával szemben.
Kockázatok gyors kvantifikálása
A modellek gyors és gyakori futtatásának képessége kulcsfontosságú követelmény olyan érintettek számára, mint a biztosítótársaságok és a helyi döntéshozók. Ravela Banglades példáját hozza fel: azáltal, hogy láthatóvá válik, hogyan fogják befolyásolni az extrém időjárási események az országot, döntéseket lehet hozni arról, hogy milyen növényeket kell termeszteni, vagy hová kellene költözni a lakosságnak, figyelembe véve a lehető legszélesebb körű feltételeket és bizonytalanságokat a lehető leggyorsabban.
„Nem várhatunk hónapokat vagy éveket arra, hogy kvantifikáljuk ezt a kockázatot,” mondja. „Nagyon messzire kell előre tekinteni, és nagyon sok bizonytalanságot kell figyelembe venni ahhoz, hogy meg tudjuk mondani, mi lehet egy jó döntés.”
Bár a jelenlegi modell csak az extrém csapadékot vizsgálja, a következő lépés a projektben az, hogy más kritikus eseményeket is megvizsgáljon, mint például a trópusi viharokat, szelet és hőmérsékletet. Egy robusztusabb modellel Ravela reméli, hogy más helyeken is alkalmazhatja, mint például Boston és Puerto Rico, egy Climate Grand Challenges projekt részeként.
„Nagyon izgatottak vagyunk mind a módszertan, amelyet összeállítottunk, mind a potenciális alkalmazások miatt, amelyekhez vezethet,” mondja.
Érdekes tény: A kutatók felfedezték, hogy a gépi tanulás és az egyszerűsített fizika kombinációja nemcsak gyorsabb és olcsóbb eredményeket hoz, hanem kevesebb képzési adatot is igényel, mint amennyit eredetileg gondoltak volna.
