نماذج أبسط تتفوق على تعلم الآلة العميق في التنبؤ بالمناخ: دراسة جديدة من معهد ماساتشوستس للتكنولوجيا
مقدمة
تزداد أهمية استخدام نماذج الذكاء الاصطناعي الضخمة في العلوم البيئية للتنبؤ بالتغيرات المناخية والطقسية. إلا أن دراسة جديدة من باحثي معهد ماساتشوستس للتكنولوجيا (MIT) تُظهر أن النماذج الأكبر حجماً ليست دائماً الأفضل. وقد أظهر الفريق البحثي أن نماذج أبسط، تعتمد على الفيزياء، قادرة على توليد تنبؤات أكثر دقة في بعض سيناريوهات المناخ، مقارنةً بنماذج تعلم الآلة العميق المتطورة.
تحليل تقنيات قياس الأداء
كشفت الدراسة أيضاً أن تقنية قياس الأداء المستخدمة عادةً لتقييم تقنيات تعلم الآلة في التنبؤات المناخية قد تتأثر بالتغيرات الطبيعية في البيانات، مثل تقلبات أنماط الطقس. وقد يؤدي هذا إلى الاعتقاد الخاطئ بأن نموذج تعلم الآلة العميق يُنتج تنبؤات أكثر دقة، بينما ليس هذا هو الحال في الواقع. لذا، طور الباحثون طريقة أكثر قوة لتقييم هذه التقنيات، أظهرت أن النماذج البسيطة أكثر دقة في تقدير درجات الحرارة السطحية الإقليمية، بينما تُعد تقنيات تعلم الآلة العميق الخيار الأمثل لتقدير هطول الأمطار المحلي.
تطبيق النتائج على محاكاة المناخ
استخدم الباحثون هذه النتائج لتحسين أداة محاكاة تُعرف باسم “محاكي المناخ” (climate emulator)، والتي تُمكّن من محاكاة سريعة لتأثير الأنشطة البشرية على مناخ المستقبل.
تحذير من استخدام نماذج الذكاء الاصطناعي الضخمة
يرى الباحثون أن عملهم بمثابة “تحذير” من مخاطر نشر نماذج الذكاء الاصطناعي الضخمة في علوم المناخ. ففي حين أظهرت نماذج تعلم الآلة العميق نجاحاً باهراً في مجالات مثل اللغات الطبيعية، إلا أن علوم المناخ تحتوي على مجموعة مثبتة من القوانين الفيزيائية والتقريبات، ويتمثل التحدي في كيفية دمجها في نماذج الذكاء الاصطناعي.
كما صرحت البروفيسورة نويل سيلين، المؤلفة الرئيسية للدراسة: “نحاول تطوير نماذج مفيدة وذات صلة بالاحتياجات المستقبلية لصناع القرار عند اتخاذ خيارات السياسات المناخية. في حين قد يكون من المغري استخدام أحدث نموذج لتعلم الآلة الضخم في مشكلة مناخية، فإن هذه الدراسة تُظهر أهمية التراجع والتفكير بعمق في أساسيات المشكلة.”
منهجية الدراسة ومقارنتها
قام الباحثون بمقارنة تقنية تقليدية تُعرف باسم “التحجيم الخطي للأنماط” (LPS) مع نموذج تعلم آلة عميق، باستخدام مجموعة بيانات قياسية 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.
التغيرات الطبيعية وتأثيرها على الدقة
وجد الباحثون أن القدر الكبير من التباين الطبيعي في عمليات تشغيل نماذج المناخ يمكن أن يتسبب في أداء ضعيف لنموذج تعلم الآلة العميق في التذبذبات طويلة الأمد غير المتوقعة، مثل ظاهرة النينيو/النينيا. وهذا يُشوّه درجات قياس الأداء لصالح تقنية LPS، التي تُعادل هذه التذبذبات.
تطوير تقنية تقييم محسنة
قام الباحثون بإنشاء تقييم جديد باستخدام 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 تقنية LPS كانت لا تزال أكثر دقة في تنبؤات درجة الحرارة.
الاستنتاجات والتوصيات
يُشدد الباحثون على الحاجة إلى تطوير تقنيات قياس أداء أفضل، مما قد يُوفر صورة أوضح لأي تقنية محاكاة مناخية هي الأنسب لحالة معينة. كما يأملون في أن تُبنى الأبحاث الأخرى على تحليلهم، ربما من خلال دراسة تحسينات إضافية لطرق قياس الأداء و معايير محاكاة المناخ.
التمويل
تم تمويل هذا البحث جزئيًا من قبل Schmidt Sciences، LLC، وهو جزء من فريق MIT Climate Grand Challenges لـ “جلب الحوسبة إلى تحدي المناخ”.
اترك تعليقاً