چرا هوش مصنوعی در پیش بینی خشم شدت طوفان مشکل دارد؟

ویرایش شده توسط گابی کلارک، بررسی توسط اندرو زینین

این مقاله با توجه به روند و سیاست های ویرایشی Science X بررسی شده است. ویراستاران ضمن اطمینان از اعتبار محتوا، ویژگی های زیر را برجسته کرده اند:

هوش مصنوعی تنها در چند سال پیش‌بینی آب و هوا را متحول کرده است، به طوری که مدل‌های آب‌وهوای جهانی هوش مصنوعی اکنون قادر به پیش‌بینی‌هایی هستند که با برخی از بهترین سیستم‌های پیش‌بینی مبتنی بر فیزیک جهان رقابت می‌کنند.

این پیشرفت توسط سه عامل هدایت شده است: حجم عظیم داده های آب و هوا، پیشرفت در مدل های هوش مصنوعی و قدرت محاسباتی بی سابقه. در حالی که بیشتر بحث های فعلی در مورد بهبود هوش مصنوعی برای پیش بینی آب و هوا بر روی مدل ها یا سخت افزار جدید متمرکز است، داده ها بسیار مهم هستند.

در مقیاس جهانی، هوش مصنوعی از چندین دهه سوابق آب و هوا و آب و هوا که کل زمین را پوشش داده است، بهره برده است. این مجموعه داده‌ها حاوی میلیون‌ها نمونه از چگونگی تکامل شرایط جوی در طول زمان است که به مدل‌های هوش مصنوعی اجازه می‌دهد الگوها را به روشی بیاموزند که یک دهه پیش غیرممکن بود.

اما وقتی از مقیاس جهانی به مقیاس منطقه ای بزرگنمایی می کنید، پیش بینی برای هوش مصنوعی بسیار چالش برانگیزتر می شود.

این تفاوت برای پیش بینی شدت طوفان اهمیت دارد.

جهان شاهد بوده است که طوفان‌های زیادی در سال‌های اخیر به سرعت شدت گرفته‌اند و در عرض چند ساعت از طوفان‌های نسبتا ضعیف به هیولاهای مخرب تبدیل شده‌اند. طوفان پولو آن را در سواحل اقیانوس آرام مکزیک انجام داد و به سرعت از طوفان گرمسیری در 21 سپتامبر 2026 به طوفان قدرتمند رده 5 در 24 ساعت تقویت شد. چوگان به سرعت به یکی از قوی‌ترین طوفان‌های اقیانوس آرام در دهه‌های اخیر تبدیل شد و بادهایی به سرعت 180 مایل در ساعت (290 کیلومتر در ساعت) می‌رسیدند.

وقتی تشدید سریع پیش‌بینی‌کنندگان را غافلگیر می‌کند - همانطور که طوفان مایکل در سال 2018 هنگامی که درست قبل از برخورد به پایگاه نیروی هوایی تیندال و مکزیکو بیچ فلوریدا به یک طوفان مخرب رده 5 تبدیل شد - جوامع می‌توانند زمان بسیار کمی برای تخلیه و آماده شدن داشته باشند.

برخلاف پیش بینی های جهانی آب و هوا، پیش بینی شدت طوفان اغلب یک مشکل پیش بینی منطقه ای در نظر گرفته می شود. پیش‌بینی‌های منطقه‌ای اغلب مربوط به رویدادهای شدید، مانند بارندگی شدید، خطوط بارانی، رعد و برق شدید یا طوفان است.

این رویدادهای شدید اغلب به سرعت توسعه می یابند یا به سرعت در دوره های زمانی کوتاه حرکت می کنند. ثبت چنین رفتاری در مدل‌های هوش مصنوعی به داده‌هایی با جزئیات بسیار بیشتر از آنچه که مجموعه داده‌های جهانی کنونی می‌توانند ارائه دهند، نیاز دارد.

وقتی دانشمندان مدل‌های هوش مصنوعی را برای پیش‌بینی شدت طوفان آموزش می‌دهند، معمولا بر دو منبع داده تکیه می‌کنند.

اولین مورد مشاهداتی است که شامل اندازه گیری میزان بارندگی، دمای نزدیک به سطح، سرعت باد و سایر متغیرهای آب و هوایی است که از ایستگاه های هواشناسی، رادارها، شناورها و ماهواره ها جمع آوری شده است. چنین مشاهدات مستقیمی را می توان به تفصیل بیان کرد، اما آنها اغلب به مناطق نزدیک به ساحل محدود می شوند و به طور نابرابر توزیع می شوند. بسیاری از مهمترین مراحل توسعه طوفان بر فراز اقیانوس باز اتفاق می افتد، جایی که مشاهدات مستقیم پراکنده است.

ماهواره‌های مدرن می‌توانند به پر کردن برخی از این شکاف‌ها در اقیانوس‌های باز کمک کنند، اما به دلیل محدودیت در پوشش ماهواره‌ای، می‌توانند تنها بخشی از بارندگی، بادهای سطحی یا دمای بالای ابرها را تخمین بزنند. به ویژه، آنها نمی توانند به طور همزمان ساختار سه بعدی کامل هر طوفان در سراسر جهان را اسکن کنند. در حال حاضر، حتی بهترین سیستم‌های رصدی تنها نمای جزئی از طوفان‌ها را در هر مقطع زمانی ارائه می‌دهند.

منبع دوم داده‌های آموزشی از شبیه‌سازی‌های مدل آب‌وهوا بدست می‌آید که شرایط جوی و دانش فیزیک را ترکیب می‌کند تا کامل‌ترین تصویر سه‌بعدی جو را با وضوح بالا ارائه دهد.

با این حال، این داده های شبیه سازی شده نیز کامل نیستند، زیرا همه مدل های کامپیوتری حاوی تقریب ها و عدم قطعیت های ناشی از دانش ناقص جو زمین هستند. به این ترتیب، همیشه فرآیندهایی در مقیاس خوب وجود دارند که شبیه‌سازی‌های مدل نمی‌توانند آن‌ها را ضبط کنند.

بنابراین، ما در حال حاضر یک مجموعه داده سه بعدی خوب و کامل برای آموزش یک مدل هوش مصنوعی برای پیش بینی شدت طوفان نداریم.

اما داده ها تنها مسئله برای پیش بینی طوفان هوش مصنوعی نیست.

فرض کنید در آینده، دانشمندان بتوانند هر قسمت از هزاران طوفان در سراسر جهان را در هر ثانیه اندازه گیری کنند. این هنوز ممکن است به هوش مصنوعی اجازه ندهد که شدت طوفان را به خوبی پیش بینی کند. دلیل: هرج و مرج. تفاوت های کوچک در حالت اولیه یک طوفان می تواند به سرعت در طول زمان افزایش یابد.

تحقیقات اخیر من با همکاران نشان می دهد که طوفان ها ممکن است حاوی عناصری از هرج و مرج باشند که می تواند از پیش بینی دقیق شدت طوفان در زمان های طولانی مدت توسط مدل های هوش مصنوعی جلوگیری کند.

هنگامی که یک طوفان استوایی در یک محیط مساعد قرار می گیرد، می تواند به سمت حداکثر قدرت ممکن تشدید شود. دانشمندان این حد بالایی را شدت بالقوه می نامند. در درجه اول توسط محیط اطراف تعیین می شود. به عنوان مثال، آب گرم اقیانوس می تواند شدت طوفان را تقویت کند، در حالی که برش باد می تواند توسعه طوفان را کند کند. اگر دمای اقیانوس افزایش یابد، شدت بالقوه یک طوفان نیز افزایش می یابد.

هر گونه اختلال کوچک نیز باعث نوسانات شدت طوفان می شود. هر چه سطح اقیانوس گرمتر باشد، نوسانات بیشتر است.

مطالعات اخیر پیشنهاد کرده‌اند که این نوسانات صرفا تصادفی نیستند، بلکه در جایی رخ می‌دهند که به عنوان یک جاذبه‌ی آشفته شناخته می‌شود - مجموعه‌ای از حالت‌های طوفانی احتمالی که طوفان می‌تواند به‌طور غیرقابل پیش‌بینی تکامل یابد. اگرچه وجود چنین جاذبه‌ای با شدت آشفته هنوز به طور کامل مشخص نشده است، اما یک معضل اساسی برای آموزش مدل‌های هوش مصنوعی برای پیش‌بینی شدت طوفان ایجاد می‌کند.

از یک طرف، دانشمندان می‌خواهند مدل‌های هوش مصنوعی دقیق‌ترین پیش‌بینی‌های ممکن را انجام دهند. بنابراین، در طول آموزش، هدف این است که تفاوت بین پیش‌بینی و آنچه در واقع اتفاق می‌افتد به حداقل برسد تا زمانی که یک مدل هوش مصنوعی به کوچک‌ترین خطای ممکن دست یابد.

از سوی دیگر، ما همچنین می خواهیم مدل هوش مصنوعی آشفتگی ذاتی طوفان را به تصویر بکشد. اما اگر یک مدل هوش مصنوعی بتواند این هرج و مرج را به تصویر بکشد، نمی توان خطای آن را به طور نامحدود کاهش داد. بنابراین، یک مدل هوش مصنوعی آموزش دیده برای به حداقل رساندن خطای پیش‌بینی ممکن است محتمل‌ترین تحول یک طوفان را یاد بگیرد و در عین حال نوسانات غیرقابل پیش‌بینی را هموار کند. در این راستا این دو هدف با یکدیگر رقابت می کنند.

از آنجایی که داده ها همیشه حاوی مقداری عدم قطعیت هستند، قوانینی که یک مدل هوش مصنوعی یاد می گیرد فقط تقریبی هستند. بنابراین دقت پیش‌بینی شدت طوفان پس از چند روز بدتر می‌شود.

چالش مدل‌های هوش مصنوعی که شدت طوفان را پیش‌بینی می‌کنند فقط به دست آوردن داده‌های بیشتر، ساخت شبکه‌های عصبی بهتر یا استقرار رایانه‌های سریع‌تر نیست. همچنین در مورد درک رفتار طوفان و چگونگی بروز هرج و مرج در شدت است.

هر دو دیکته می کنند که آیا مدل های هوش مصنوعی می توانند یاد بگیرند چه چیزی قابل پیش بینی و چه چیزی غیرقابل پیش بینی است. این تمایز نه تنها بر دقت پیش‌بینی‌های شدت طوفان فعلی ما سرپوش می‌گذارد، بلکه نسل بعدی سیستم‌های پیش‌بینی و ارزیابی آب‌وهوا را نیز تعیین می‌کند، که باید به جای یک عدد شدت، بر طیفی از شدت‌های احتمالی طوفان و احتمالات آنها تمرکز کنند.

کارشناسی ارشد زبان انگلیسی، ویرایشگر کپی از سال 2021 با تجربه در آموزش عالی و محتوای بهداشتی. تقدیم به اخبار معتبر علمی. نمایه کامل →

فوق لیسانس فیزیک با تجربه تحقیق. علاقه مندان به اخبار علمی طولانی مدت. نقش کلیدی در موفقیت سرمقاله Science X ایفا می کند. نمایه کامل →

این مقاله از The Conversation تحت مجوز Creative Commons بازنشر شده است. مقاله اصلی را بخوانید.