العالم سيواجه مستقبلًا ظروفًا مناخية وسيناريوهات لم يسبق رصدها.. كيف يساعد الذكاء الاصطناعي في تحسين توقعات للمناخ؟

تقنية جديدة تختصر شهورًا من تدريب نماذج الذكاء الاصطناعي للتنبؤ بالتغير المناخي

طور باحثون في معهد ماساتشوستس للتكنولوجيا (MIT) تقنية جديدة لتحسين تدريب نماذج الذكاء الاصطناعي المستخدمة في التنبؤ بالتغيرات المناخية، بما يجعلها أكثر سرعة وموثوقية وقدرة على التعامل مع سيناريوهات مستقبلية لم يسبق لها أن واجهتها خلال التدريب.

وتعتمد التقنية على فكرة غير تقليدية، تتمثل في تدريب نماذج الذكاء الاصطناعي باستخدام سيناريوهات اصطناعية لانبعاثات غازات الاحتباس الحراري، قد تكون متقلبة وغير واقعية من الناحية العملية، لكنها مصممة بعناية لتزويد النماذج بمعلومات أوسع عن النظام المناخي، وتحسين قدرتها على التنبؤ بالظروف غير المألوفة.

وتكتسب هذه التقنية أهمية خاصة مع تزايد الحاجة إلى توقعات مناخية دقيقة وحديثة لدعم القرارات المتعلقة بتعزيز قدرة شبكات الكهرباء على الصمود، وحماية الصحة العامة، وتحسين الإنتاجية الزراعية، والاستعداد لتداعيات ارتفاع درجات الحرارة ومستويات سطح البحر.

وتُعرف النماذج التي طورها الباحثون باسم «محاكيات المناخ» (Climate Emulators)، وهي نماذج ذكاء اصطناعي سريعة تحاكي سلوك النماذج المناخية الكبرى، وتستطيع تقدير تأثير الأنشطة البشرية في المناخ المستقبلي خلال ثوانٍ معدودة، بدلًا من الانتظار فترات طويلة للحصول على نتائج المحاكاة التقليدية.

محاكيات المناخ.. بديل سريع للنماذج المناخية العملاقة

يعتمد علماء المناخ عادة على نماذج نظام الأرض (Earth System Models)، وهي نماذج فيزيائية ضخمة تحاكي المكونات الرئيسية للنظام المناخي والتفاعلات المعقدة بينها، بهدف تقدير التغيرات المحتملة في درجات الحرارة أو معدلات هطول الأمطار استجابة لاختلاف مسارات انبعاثات غازات الاحتباس الحراري.

ورغم قدرتها الكبيرة على تمثيل العمليات المناخية بتفصيل دقيق، فإن تشغيل هذه النماذج يتطلب موارد حوسبة هائلة، وقد يستغرق شهورًا على مجموعات من الحواسيب العملاقة، لإنتاج توقعات تتعلق بسيناريو مناخي مستقبلي واحد.

وفي المقابل، تعمل محاكيات المناخ المدعومة بالذكاء الاصطناعي باعتبارها نماذج بديلة سريعة تحاكي سلوك تلك النماذج الفيزيائية، ما يسمح للعلماء باختبار آلاف السيناريوهات المناخية المختلفة خلال وقت قصير، وتحليل تأثير السياسات والتدخلات المحلية، ودراسة آثار ملوثات بعينها على المناطق المختلفة.

وقال كريستوفر ووماك، الباحث الرئيسي في الدراسة، والذي يعمل حاليًا باحثًا لما بعد الدكتوراه في المعهد الفيدرالي السويسري للتكنولوجيا في زيورخ (ETH Zurich)، إن محاكيات المناخ يمكنها إجراء عمليات المحاكاة خلال ثوانٍ، وهو ما يوسع بدرجة كبيرة نطاق السيناريوهات المستقبلية التي يستطيع العلماء استكشافها.

لكن المشكلة التي واجهها الباحثون تتمثل في أن الطرق التقليدية لتدريب هذه النماذج قد تحد من قدرتها على التنبؤ بظروف مناخية جديدة لم تتعرض لها خلال مرحلة التدريب.

لماذا استخدم الباحثون سيناريوهات انبعاثات غير واقعية؟

عادة ما يجري تدريب نماذج الذكاء الاصطناعي المناخية باستخدام مجموعة تتراوح بين 6 و8 سيناريوهات مستقبلية، تستند إلى مسارات واقعية متوقعة لانبعاثات غازات الاحتباس الحراري.

ويتطلب إعداد بيانات التدريب تشغيل نموذج مناخي كامل لكل سيناريو، وهو ما يجعل إنتاج مجموعات البيانات مكلفًا ويستغرق وقتًا طويلًا.

ووجد الباحثون أن الاعتماد على السيناريوهات الواقعية وحدها قد يؤدي إلى إنتاج نماذج ضعيفة الأداء، لا تستطيع التكيف بكفاءة مع سيناريوهات جديدة أو غير مألوفة، خاصة عندما تتغير أنماط الانبعاثات بصورة مختلفة عن المسارات التي اعتادت النماذج التعامل معها.

وللتغلب على هذه المشكلة، طور الفريق خوارزمية قادرة على إنشاء مجموعة بيانات اصطناعية تضم سيناريوهات مناخية محسّنة، يجري تصميمها خصيصًا لتعزيز قدرة نموذج الذكاء الاصطناعي على التنبؤ.

وتقوم الفكرة على أن سيناريوهات التدريب لا يشترط أن تمثل مسارات مستقبلية واقعية، بل ينبغي أن توفر للنموذج أكبر قدر ممكن من المعلومات التي تساعده على فهم سلوك النظام المناخي والتعامل مع التغيرات المختلفة.

وأوضح ووماك، أن الخوارزمية قد تنتج سيناريوهات تبدو غريبة ولا تشبه أي مستقبل واقعي محتمل، لكن الهدف ليس محاكاة المستقبل بدقة في مرحلة التدريب، وإنما بناء أفضل مجموعة بيانات ممكنة لتحسين أداء النموذج.

ومن أبرز مزايا التقنية الجديدة أنها تقلل الحاجة إلى تشغيل نموذج نظام الأرض الكامل من 6 أو 8 مرات لإنتاج بيانات التدريب، إلى تشغيله مرة واحدة فقط، وهو ما يمكن أن يخفض بصورة كبيرة الوقت والموارد اللازمة لإعداد محاكيات مناخية جديدة.

خوارزمية تعدّل الانبعاثات لرفع دقة التوقعات

الانبعاثات

تبدأ الطريقة الجديدة بإنشاء سيناريو مناخي أولي باستخدام نموذج مناخي بسيط وسريع، ثم يختبر الباحثون مدى قدرة محاكي الذكاء الاصطناعي على إعادة إنتاج النتائج التي يقدمها نموذج نظام الأرض، بما يسمح بقياس مستوى الخطأ في التوقعات.
وبعد ذلك، تستخدم الخوارزمية هذا الخطأ لتحديث بيانات التدريب بصورة متكررة، بهدف زيادة القدرة التنبؤية للنموذج وتحسين أدائه تدريجيًا.

فعلى سبيل المثال، يمكن للخوارزمية أن ترفع انبعاثات ثاني أكسيد الكربون بصورة حادة في عام 2050، أو تخفض انبعاثات الميثان بسرعة في عام 2037، ثم تواصل تعديل السيناريوهات حتى يصل مستوى الخطأ في توقعات المحاكي إلى حد معين.

وتختلف البيانات الاصطناعية الناتجة عن هذه العملية عن السيناريوهات المناخية التقليدية؛ فبدلًا من اتباع مسارات انبعاثات تدريجية وناعمة، تتضمن تغيرات سريعة وتقلبات حادة في مستويات الانبعاثات.

ووفقًا لووماك، فإن إدخال هذه التذبذبات والتغيرات عالية التردد يتيح للنموذج استخلاص قدر أكبر من المعلومات عن النظام المناخي ككل، بما يعزز قدرته على التعامل مع مجموعة أوسع من الظروف المحتملة.

وفي نهاية العملية، تنتج الخوارزمية سيناريوهات انبعاثات اصطناعية تُستخدم لتدريب محاكي مناخي يتمتع بدقة أعلى وقدرة أفضل على التكيف مع الحالات الجديدة.

اختبار السياسات المحلية وتغير أنماط التلوث

التلوث

أظهرت النتائج، أن محاكي المناخ الذي جرى تدريبه باستخدام التقنية الجديدة استطاع التنبؤ بدقة بنتائج سيناريوهات لم يسبق أن تعرض لها خلال التدريب، بينما أخفقت المحاكيات التقليدية التي اختبرها الباحثون في التكيف مع هذه الحالات.

ومن التطبيقات المهمة التي أشار إليها الباحثون قدرة النموذج الجديد على تمثيل تأثير السياسات المحلية للحد من التلوث، عندما تستهدف هذه السياسات خفض انبعاثات أحد الملوثات، في الوقت الذي تستمر فيه انبعاثات ملوثات أخرى في الارتفاع.

ويمثل ذلك تحديًا مهمًا في النمذجة المناخية، إذ لا تتغير جميع الانبعاثات بالضرورة في الاتجاه نفسه أو بالسرعة ذاتها، وقد تتبنى الحكومات سياسات تستهدف ملوثات محددة دون أن تؤدي إلى خفض شامل وفوري لجميع مصادر الانبعاثات.

وقالت نويل سيلين، الباحثة الرئيسية المشاركة في الدراسة وأستاذة في معهد البيانات والأنظمة والمجتمع وقسم علوم الأرض والغلاف الجوي والكواكب بمعهد MIT، إن العالم سيواجه مستقبلًا ظروفًا مناخية وسيناريوهات لم يسبق رصدها، مشيرة إلى أن القدرة على محاكاة هذه السيناريوهات بصورة أكثر موثوقية ستوفر معلومات أفضل للجهات المعنية وصناع القرار.

وأضافت، أن عملية تدريب محاكيات المناخ قد تستغرق شهورًا أو حتى سنوات، وهو ما يجعل النماذج المتاحة في كثير من الأحيان غير مواكبة لأحدث البيانات والتطورات. ومن ثم، فإن تقليص زمن إنتاجها يمكن أن يساعد في توفير أدوات أكثر حداثة للباحثين والممارسين وصناع السياسات.

تطبيقات مستقبلية تتجاوز التنبؤ المناخي

يأمل الباحثون، أن تسهم التقنية في تعزيز فاعلية محاكيات المناخ السريعة، وتوسيع استخدامها في صياغة السياسات المناخية، من خلال توفير توقعات أكثر موثوقية بشأن تداعيات الخيارات المختلفة المتعلقة بالانبعاثات والتلوث.

ويخطط الفريق في المرحلة المقبلة لاختبار التقنية باستخدام سيناريوهات انبعاثات مولدة بواسطة نموذج كامل لنظام الأرض، إلى جانب تطبيقها على أنواع أخرى من النماذج المناخية، ودراسة إمكانية الاستفادة منها في مجالات أوسع من التعلم الآلي والرؤية الحاسوبية.

ونُشرت الدراسة في دورية «Proceedings of the National Academy of Sciences» (PNAS)، وشارك فيها باحثون من معهد MIT، والمعهد الفيدرالي السويسري للتكنولوجيا في زيورخ، وإمبريال كوليدج لندن، وجامعة ماكواري.

↑
Exit mobile version