जलवायु मॉडलिंग में एआई के अवसर और सीमाएं

English हिन्दी മലയാളം मराठी தமிழ் తెలుగు

जलवायु मॉडलिंग में एआई के अवसर और सीमाएं

क्रेडिट: CC0 पब्लिक डोमेन

पृथ्वी की भौतिक स्थिति को मापने के लिए पृथ्वी संरचना मॉडल सबसे महत्वपूर्ण उपकरण हैं, उदाहरण के लिए – जलवायु मॉडल के संदर्भ में – यह भविष्यवाणी करना कि यह भविष्य में मानव गतिविधि के प्रभाव में कैसे बदल सकता है। क्रिस्टोफर इरकॉन्ग के नेतृत्व में एक अंतरराष्ट्रीय टीम अब यह पता लगा रही है कि कृत्रिम बुद्धिमत्ता (एआई) के तेजी से उपयोग किए जाने वाले तरीके इन भविष्यवाणियों को बेहतर बनाने में कैसे मदद कर सकते हैं और जहां दो दृष्टिकोणों की सीमाएं निहित हैं। पत्रिका के लिए एक परिप्रेक्ष्य लेख प्राकृतिक यांत्रिक बुद्धि. एक महत्वपूर्ण प्रस्ताव: स्व-शिक्षण “तंत्रिका पृथ्वी प्रणाली मॉडलिंग” के साथ दोनों दृष्टिकोणों को संयोजित करना।


एक प्रणाली के रूप में पृथ्वी – एक चुनौती

पृथ्वी का विकास कई कारकों का एक जटिल अंतराल है, जिसमें वनस्पतियों और जीवों के साथ परिदृश्य, उनके पारिस्थितिक तंत्र के साथ महासागर, ध्रुवीय क्षेत्र, वातावरण, कार्बन चक्र और अन्य जैव रासायनिक चक्र और विकिरण प्रक्रियाएं शामिल हैं। तो शोधकर्ता पृथ्वी प्रणाली के बारे में बात कर रहे हैं।

इतने सारे परस्पर क्षेत्रों और प्रभाव के कारकों के साथ, भविष्य की स्थितियों की भविष्यवाणी करना एक बड़ी चुनौती है, उदाहरण के लिए, जलवायु परिवर्तन पर अनुसंधान के संदर्भ में। जीएफजेड में “अर्थ सिस्टम मॉडलिंग” खंड में अध्ययन पर मुख्य लेखक और स्नातकोत्तर शोधकर्ता क्रिस्टोफर इरकॉन्ग कहते हैं, “हाल के वर्षों में यहां जबरदस्त प्रगति हुई है।” उदाहरण के लिए, हाल ही में जारी आईपीसीसी छठी आकलन रिपोर्ट विभिन्न ग्रीनहाउस गैस उत्सर्जन स्थितियों के भविष्य के प्रभावों के बारे में हमारे वर्तमान ज्ञान को पहले से कहीं अधिक सारांशित करती है।

रिपोर्ट, एक ओर, बढ़ती चरम घटनाओं के रूप में, पृथ्वी की प्रणाली के अवलोकन और माप से तेजी से व्यापक और व्यापक निष्कर्षों पर निर्भर करती है, उदाहरण के लिए पिछली वार्मिंग और इसके प्रभावों का आकलन करने के लिए, दूसरी ओर सिमुलेशन द्वारा किए गए सिमुलेशन बड़ी संख्या में परिष्कृत अर्थ सिस्टम मॉडल (ईएसएम)।

महान प्रगति के साथ शास्त्रीय पृथ्वी प्रणाली मॉडलिंग

शास्त्रीय पृथ्वी प्रणाली मॉडल भौतिकी के प्रसिद्ध और कम ज्ञात नियमों पर आधारित हैं। गणितीय और संख्यात्मक विधियों की सहायता से, भविष्य में एक प्रणाली की स्थिति की गणना वर्तमान या अतीत में प्रणाली की स्थिति के बारे में जो ज्ञात है, उससे की जाती है।

हाल के दशकों में बुनियादी मॉडलों में सुधार जारी है: पृथ्वी की उप-प्रणालियों और प्रक्रियाओं की एक अभूतपूर्व संख्या को ध्यान में रखा जा सकता है, जिसमें बादलों के प्रभाव जैसी जटिल प्रमुख प्रक्रियाएं शामिल हैं। उदाहरण के लिए, उनकी प्रभावशीलता इस तथ्य से प्रदर्शित की गई है कि वे डेटा संग्रह की शुरुआत से वैश्विक औसत तापमान के विकास का सटीक पता लगा सकते हैं। आज क्षेत्रीय स्तर पर जलवायु परिवर्तन के प्रभावों के बारे में निष्कर्ष निकालना भी संभव है।

सीमाओं

मूल्य, हालांकि, तेजी से जटिल ईएसएम के लिए भारी कम्प्यूटेशनल संसाधनों की आवश्यकता होती है। इस विकास के बावजूद, नवीनतम मॉडलों की भविष्यवाणियां भी अनिश्चित बनी हुई हैं। उदाहरण के लिए, वे गंभीर घटनाओं की ताकत और आवृत्ति को कम आंकते हैं। शोधकर्ताओं को डर है कि पृथ्वी के कुछ उप-प्रणालियों में अचानक परिवर्तन, जिन्हें जलवायु प्रणाली में टिपिंग तत्वों के रूप में जाना जाता है, शास्त्रीय मॉडलिंग दृष्टिकोणों द्वारा सटीक रूप से भविष्यवाणी नहीं की जा सकती है। साथ ही कई महत्वपूर्ण प्रक्रियाएं (अभी भी) जैसे भूमि उपयोग प्रकार या पानी और पोषक तत्वों की उपलब्धता को अच्छी तरह से निर्दिष्ट नहीं किया जा सकता है।

मशीन सीखने के दृष्टिकोण व्यापक हैं

शास्त्रीय ईएसएम दृष्टिकोण की चुनौतियां, लेकिन लगातार बढ़ती पृथ्वी अवलोकन, कृत्रिम बुद्धि के आवेदन के लिए क्षेत्र खोलती हैं। इनमें शामिल हैं, उदाहरण के लिए, मशीन लर्निंग (एमएल) तरीके जैसे तंत्रिका नेटवर्क, यादृच्छिक वन या समर्थन वेक्टर मशीन। उनका लाभ यह है कि वे स्व-शिक्षण प्रणाली हैं – वे बहुत जटिल या पूरी तरह से अज्ञात हैं – उन्हें भौतिकी और संबंधों के नियमों के ज्ञान की आवश्यकता नहीं है। इसके बजाय, उन्हें विशिष्ट कार्यों के लिए बड़े डेटा सेट में प्रशिक्षित किया जाता है और मूल बातें स्वयं सीखते हैं। इस लचीली और शक्तिशाली अवधारणा को लगभग किसी भी वांछित मुद्दे तक बढ़ाया जा सकता है।

उदाहरण के लिए, एक तंत्रिका नेटवर्क को उपग्रह छवियों में पैटर्न की पहचान करने और वर्गीकृत करने के लिए प्रशिक्षित किया जा सकता है जैसे कि क्लाउड संरचनाएं, समुद्री एडिस या फसल की गुणवत्ता। या पिछले रिकॉर्ड, मॉडल और भौतिक संतुलन समीकरणों के आधार पर मौसम का पूर्वानुमान लगाना सीखता है।

“हालांकि शुरुआती अध्ययनों से पता चला है कि मशीन सीखने की अवधारणाओं का उपयोग 1990 के दशक की शुरुआत में छवि विश्लेषण के लिए किया जा सकता था, पृथ्वी और जलवायु विज्ञान में एआई का ‘कैम्ब्रियन विस्फोट’ केवल लगभग पांच वर्षों से चल रहा है,” इरगॉन्ग ने कहा। एमएल पुस्तकालय उपलब्ध हैं।

क्या आर्टिफिशियल इंटेलिजेंस के नतीजों पर भरोसा किया जा सकता है?

हालाँकि, यह देखा जाना बाकी है कि यह स्व-शिक्षण दृष्टिकोण वास्तव में किस हद तक शास्त्रीय मॉडलिंग दृष्टिकोण को बढ़ा या बदल सकता है। क्योंकि मशीन लर्निंग – फिर भी – इसके खतरे हैं: “जलवायु विज्ञान के लिए कई एमएल अनुप्रयोग आज अवधारणा-आधारित अध्ययन हैं जो एक सरल वातावरण में काम कर रहे हैं।

एक और महत्वपूर्ण बिंदु: ब्लैक बॉक्स में इनपुट और आउटपुट ज्ञात हैं, लेकिन ज्ञान प्राप्त करने के पीछे कोई प्रक्रिया नहीं है। हालांकि यह प्रशंसनीय लग सकता है, यह भौतिक स्थिरता के परिणामों को सत्यापित करने में समस्या पैदा कर सकता है। “व्याख्या और व्याख्या मशीन सीखने के संदर्भ में महत्वपूर्ण मुद्दे हैं जिन्हें भविष्य में पारदर्शिता और आत्मविश्वास को मजबूत करने के लिए सुधार करने की आवश्यकता है, खासकर जब भविष्यवाणियों के परिणाम राजनीतिक निर्णयों के लिए एक महत्वपूर्ण आधार हैं,” अध्ययन के लेखकों ने जोर दिया।

एक नया और तेजी से बढ़ने वाला तीसरा तरीका: ईएसएम और एआई के संकर

वर्तमान प्रकाशन में, गणितज्ञ के आसपास का समूह एक तीसरा तरीका प्रस्तावित करता है: “तंत्रिका पृथ्वी प्रणाली मॉडलिंग” के ऊपर चर्चा किए गए दो दृष्टिकोणों का एक संलयन। इस तरह, उनकी संबंधित शक्तियों को जोड़ा जा सकता है और उनकी सीमाएं बढ़ाई जा सकती हैं। इस रास्ते पर पहला आशाजनक कदम पहले ही उठाया जा चुका है। उदाहरण के लिए, एमएल का उपयोग अब न केवल शुद्ध डेटा विश्लेषण के लिए किया जाता है, बल्कि शास्त्रीय ईएसएम के ढांचे के भीतर कुछ प्रक्रिया कदम उठाने या तेज करने के लिए भी किया जाता है। यह कंप्यूटर क्षमताओं को मुक्त कर देगा जो आगे नमूना शोधन में प्रवाहित होती हैं।

भविष्य में, उपन्यास इंटरफेस दो दृष्टिकोणों के बीच एक गतिशील आदान-प्रदान स्थापित करने में सक्षम होंगे ताकि वे लगातार एक-दूसरे को बढ़ा सकें। शास्त्रीय प्रक्रिया-आधारित पृथ्वी और जलवायु अनुसंधान का यह गहन विस्तार तंत्रिका पृथ्वी प्रणाली मॉडल को अनुसंधान की एक नई और तेजी से बढ़ती शाखा में उन्नत करता है। इसके मूल में हाइब्रिड सिस्टम हैं जो उनकी भौतिक स्थिरता का परीक्षण, समायोजन और सुधार कर सकते हैं, इस प्रकार भौगोलिक और जलवायु प्रक्रियाओं की सटीक भविष्यवाणी की अनुमति देते हैं।

वर्तमान में, इरगॉन्ग और उनके सहयोगियों ने निष्कर्ष निकाला है कि एआई और हाइब्रिड दृष्टिकोण और भी अधिक जोखिम और खतरे वहन करता है, और यह स्पष्ट नहीं है कि कृत्रिम बुद्धि के उपयोग के आसपास की मौजूदा उथल-पुथल – कम से कम अपने आप में – की स्पष्ट समस्याओं का समाधान करेगी या नहीं पृथ्वी और जलवायु अनुसंधान। हालांकि, यह इस मार्ग का अनुसरण करने लायक है। हालांकि, ऐसा होने के लिए, एक तरफ जलवायु और पृथ्वी अनुसंधान और एआई विशेषज्ञों के बीच घनिष्ठ सहयोग अधिक से अधिक महत्वपूर्ण होता जा रहा है।


कैसे संतुलित जलवायु मॉडल मशीन लर्निंग शोधकर्ताओं को अभूतपूर्व विवरण प्राप्त करने में सक्षम बनाते हैं


और जानकारी:
क्रिस्टोफर इरकॉन्ग एट अल। प्राकृतिक यांत्रिक बुद्धि (२०२१) डीओआई: 10.1038 / s42256-021-00374-3

जर्मन अनुसंधान केंद्रों के हेल्महोल्ट्ज़ एसोसिएशन द्वारा प्रस्तुत किया गया

उद्धरण: जलवायु मॉडलिंग में एआई के अवसर और सीमाएं (2021, 8 सितंबर) 8 सितंबर 2021 को https://phys.org/news/2021-09-opportunities-limits-ai-climate.html से लिया गया।

यह दस्तावेज कॉपीराइट के अधीन है। निजी अध्ययन या शोध के उद्देश्य से उचित हेरफेर को छोड़कर, लिखित अनुमति के बिना किसी भी भाग को पुन: प्रस्तुत नहीं किया जा सकता है। सामग्री केवल सूचना के उद्देश्यों के लिए प्रदान की जाती है।

Source by phys.org

%d bloggers like this: