نماذج أبسط تتفوق على تعلم الآلة العميق في التنبؤ بالمناخ: دراسة من معهد ماساتشوستس للتكنولوجيا
مقدمة
تزداد استخدام نماذج الذكاء الاصطناعي الضخمة من قبل علماء البيئة للتنبؤ بالتغيرات في الطقس والمناخ. إلا أن دراسة جديدة من باحثي معهد ماساتشوستس للتكنولوجيا (MIT) تُظهر أن النماذج الأكبر ليست دائمًا الأفضل. أظهر الفريق البحثي أن نماذج أبسط تعتمد على الفيزياء يمكن أن تُنتج تنبؤات أكثر دقة في سيناريوهات مناخية معينة، مقارنةً بنماذج تعلم الآلة العميق المتطورة.
تحسين تقنيات التقييم
كشفت التحليلات أيضًا أن تقنية المقارنة المعيارية المستخدمة عادةً لتقييم تقنيات تعلم الآلة في التنبؤات المناخية قد تكون مُشوَّهة بسبب التغيرات الطبيعية في البيانات، مثل تقلبات أنماط الطقس. وقد يؤدي هذا إلى الاعتقاد بأن نموذج تعلم الآلة العميق يُنتج تنبؤات أكثر دقة، بينما هذا ليس هو الحال. طور الباحثون طريقة أكثر قوة لتقييم هذه التقنيات، والتي تُظهر أن النماذج البسيطة أكثر دقة عند تقدير درجات الحرارة السطحية الإقليمية، بينما قد تكون مناهج تعلم الآلة العميق هي الخيار الأمثل لتقدير هطول الأمطار المحلي.
تطبيق النتائج على محاكاة المناخ
استخدم الباحثون هذه النتائج لتحسين أداة محاكاة تُعرف باسم “محاكي المناخ”، والتي يمكنها محاكاة تأثير الأنشطة البشرية على المناخ المستقبلي بسرعة. يرى الباحثون عملهم بمثابة “تحذير” حول مخاطر نشر نماذج الذكاء الاصطناعي الكبيرة في علوم المناخ. فبينما أظهرت نماذج تعلم الآلة العميق نجاحًا باهرًا في مجالات مثل اللغة الطبيعية، إلا أن علوم المناخ تحتوي على مجموعة مثبتة من القوانين الفيزيائية والتقديرات، ويتمثل التحدي في كيفية دمجها في نماذج الذكاء الاصطناعي.
المقارنة بين النماذج: خطية مقابل تعلم عميق
قارن الباحثون تقنية تقليدية تُسمى “التحجيم النمطي الخطي” (LPS) مع نموذج تعلم آلة عميق باستخدام مجموعة بيانات معيارية شائعة لتقييم محاكيات المناخ. أظهرت نتائجهم أن تقنية (LPS) تفوقت على نماذج تعلم الآلة العميق في التنبؤ بمعظم المعلمات التي تم اختبارها، بما في ذلك درجة الحرارة وهطول الأمطار.
التغلب على تحديات التباين الطبيعي
لاحظ الباحثون أن التباين الطبيعي الكبير في عمليات تشغيل نماذج المناخ يمكن أن يتسبب في ضعف أداء نموذج تعلم الآلة العميق في التذبذبات طويلة الأمد التي لا يمكن التنبؤ بها، مثل ظاهرة النينيو/النينيا. هذا يُشوّه درجات المقارنة المعيارية لصالح تقنية (LPS)، التي تُعادل هذه التذبذبات. بناءً على ذلك، قام الباحثون ببناء تقييم جديد مع المزيد من البيانات التي تعالج التباين المناخي الطبيعي. مع هذا التقييم الجديد، حقق نموذج تعلم الآلة العميق أداءً أفضل قليلاً من تقنية (LPS) لهطول الأمطار المحلي، لكن (LPS) كانت لا تزال أكثر دقة في تنبؤات درجة الحرارة.
الاستنتاجات والتوصيات
يؤكد الباحثون على ضرورة تطوير تقنيات مقارنة معيارية أفضل، والتي يمكن أن توفر صورة أوضح لأي تقنية محاكاة مناخية هي الأنسب لموقف معين. يأمل الباحثون أن يبني الآخرون على تحليلهم، ربما من خلال دراسة تحسينات إضافية لطرق ومقاييس محاكاة المناخ. يمكن أن يستكشف هذا البحث مقاييس موجهة نحو التأثير مثل مؤشرات الجفاف ومخاطر حرائق الغابات، أو متغيرات جديدة مثل سرعات الرياح الإقليمية.
التمويل
تم تمويل هذا البحث، جزئيًا، من قبل شركة Schmidt Sciences، LLC، وهو جزء من فريق تحديات المناخ الكبرى في معهد ماساتشوستس للتكنولوجيا لـ “جلب الحوسبة إلى تحدي المناخ”.
اترك تعليقاً