La CCC apoyó tres sesiones científicas en la Conferencia Anual de la AAAS de este año y, en caso de que no pudiera asistir en persona, recapitularemos cada sesión. Esta semana resumiremos los aspectos más destacados de la sesión “.IA generativa en la ciencia: promesas y trampas.” En la tercera parte, resumimos la presentación del Dr. Duncan Watson-Parris, profesor asistente del Instituto Scripps de Oceanografía y del Instituto de Ciencias de Datos Halıcıoğlu de UC San Diego.
Tras la presentación del Dr. Markus Buehler sobre la IA generativa en mecanobiología, la Dra. Watson-Parris centró la atención de la audiencia en las aplicaciones de la IA generativa en las ciencias climáticas. Comenzó delineando la diferencia entre clima y tiempo. El tiempo se refiere a condiciones atmosféricas a corto plazo, mientras que el clima describe condiciones atmosféricas a largo plazo. En resumen, el clima es lo que esperas y el clima es lo que obtienes. "Uno de los mayores problemas con los modelos climáticos", dice Watson-Parris, "es que sólo tenemos datos recientes de cuando comenzamos a tomar mediciones climáticas". Crear modelos precisos que predigan patrones climáticos y eventos climáticos futuros es especialmente difícil, porque no podemos verificar los resultados en el mundo real hasta que estos eventos sucedan. Sin embargo, para predicciones a más corto plazo, como pronósticos meteorológicos para los próximos tres días, podemos verificar fácilmente la precisión de estos modelos.
Los modelos meteorológicos industriales ya son muy precisos. Estos modelos funcionan con tanta precisión como los modelos nacionales de pronóstico del tiempo para estimaciones a corto plazo (pronósticos de ~3 a 7 días). Sin embargo, uno de los mayores problemas con el pronóstico del tiempo es el muestreo de las condiciones climáticas iniciales. Como señaló la Dra. Willett en su charla, condiciones iniciales ligeramente diferentes pueden producir resultados muy diferentes. Esto es cierto en las simulaciones meteorológicas, afirma la Dra. Watson-Parris, que pueden tener importantes impactos en el mundo real. El patrón climático, que se muestra a continuación, introdujo un río atmosférico en 2017 en la región de California y Oregón que generó tanta lluvia que la presa de Oroville estalló, causando daños por millones de dólares. Este evento fue difícil de pronosticar porque fue un evento extremo, un caso atípico. Los pronósticos de aprendizaje automático nos permiten realizar cantidades mucho mayores de muestreo para predecir eventos climáticos más extremos, lo que nos permite prepararnos mejor para ellos.
Cuando los investigadores piensan en el sistema climático, explica el Dr. Watson-Parris, analizando escalas más grandes y durante períodos de tiempo más largos, eventualmente ven cómo se ven las nubes promedio a lo largo de las estaciones y pueden observar las estadísticas de los sistemas. Estas estadísticas se rigen por las condiciones límite del sistema Tierra: la cantidad de energía que entra y sale. Cuando el problema se plantea de esta manera, podemos predecir en promedio dónde estarán las nubes durante las estaciones, y existen oportunidades para utilizar el aprendizaje automático para mejorar y explorar estas diferentes predicciones. Una de las tareas de los modelos climáticos es hacer proyecciones: comprender cómo cambiará el clima en el futuro bajo diferentes influencias humanas. Estos están diseñados para explorar posibles futuros. Para ello, los investigadores generan vías socioeconómicas más plausibles sobre cómo podría actuar la sociedad en el futuro.
A continuación se muestra una imagen que mostró el Dr. Watson-Parris, que muestra algunas posibles vías por las que la sociedad podría seguir en el futuro y que deben tenerse en cuenta en estos modelos climáticos. En el lado izquierdo, hay un modelo de sostenibilidad que para finales de siglo mantendrá el forzamiento climático (la cantidad de calentamiento que los humanos imponen al sistema) a un nivel más bajo. Por otro lado, el escenario de desarrollo de combustibles fósiles del lado derecho es una especie de peor escenario. Ésta es una muestra muy escasa de las formas en que la humanidad podría llegar al año 2100.
En la práctica, al decidir el escenario climático y comunicarse con los responsables políticos que desean comprender el impacto de sus decisiones, los investigadores entrenan emuladores de modelos climáticos simples. Estos emuladores tienen en cuenta proyecciones de diferentes emisiones, como CO2 y metano, y fuerzas climáticas de corta duración como el carbono negro y el sulfato, y los investigadores pueden emular la respuesta de estos modelos climáticos, basándose en datos de entrenamiento. "Podemos adaptar modelos más o menos complejos de la respuesta global de la temperatura media global a estas emisiones", afirma Watson-Parris. “Estos modelos funcionan razonablemente bien porque los científicos comprenden bien la física subyacente. Pero nadie vive en la temperatura media global, y sentiremos todos estos cambios de manera diferente, por lo que para comprender los cambios regionales, los científicos toman la media global y escalan el cambio de patrón a situaciones regionales. Estos modelos funcionan bien, pero pierden el impacto que estas emisiones podrían tener a nivel local. Por ejemplo, el carbono negro, en particular, se emite en gran medida en el sur de Asia, y sus impactos se sentirán principalmente en el sur de Asia”.
Si este problema se enmarca en un entorno de regresión, vemos que puede haber oportunidades para el aprendizaje automático. "Como parte de la Banco climático En el artículo que escribimos hace un año”, dice el Dr. Watson-Parris, “dijimos que podemos tomar las emisiones y concentraciones de gases de efecto invernadero y los mapas de emisiones de sulfato y carbono negro y hacer una regresión directamente a los modelos climáticos para ver predicciones. Tampoco tenemos que limitarnos a la temperatura, podemos tener en cuenta las precipitaciones y otras variables. De esta manera podemos construir emuladores de modelos climáticos que predicen lo que producirá el modelo climático para una determinada cantidad de CO2 emitida y nos permitirán ejecutar estos modelos en una computadora portátil en lugar de una supercomputadora”.
Luego, la Dra. Watson-Parris mostró una imagen de tres realizaciones diferentes de la respuesta de la temperatura global en un escenario de política climática moderado y a mitad de camino. Las dos primeras columnas son emuladores de aprendizaje automático y la tercera es una simulación de modelo climático de complejidad completa que tomó una semana en una supercomputadora. "Los resultados de cada uno de estos modelos son casi indistinguibles", afirma Watson-Parris. Estos modelos climáticos hacen un muy buen trabajo al predecir con precisión este patrón de calentamiento. Incluso hacen un buen trabajo al predecir los patrones de precipitación. Estos modelos mejoran la accesibilidad y la participación, y permiten que organizaciones y formuladores de políticas más pequeñas participen en la predicción y exploración del clima sin necesidad de grandes cantidades de financiamiento o infraestructura.
Estos modelos no son IA generativa, son modelos de regresión directa y una entrada determinada siempre arrojará el mismo resultado. Sin embargo, hoy se están explorando oportunidades para utilizar modelos generativos y de difusión para tomar las distribuciones probabilísticas del clima para generar estados climáticos. Los investigadores están utilizando estos modelos para predecir el clima y los patrones meteorológicos del futuro, dados diferentes escenarios de forzamiento climático. “Las dificultades persisten”, dice el Dr. Watson-Parris, “porque todavía no existe una 'verdad sobre el terreno' para verificar las predicciones, y todavía tenemos que descubrir cómo calibrar los modelos estadísticos, pero este es el futuro de la predicción climática, y creo que Soy optimista en cuanto a que estas herramientas aumentarán la accesibilidad, la participación y la comprensión del futuro de la ciencia climática”.
Gracias por leer y permanezcan atentos mañana a la última publicación de esta serie de blogs, que resume la parte de preguntas y respuestas de este panel.
- Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
- PlatoData.Network Vertical Generativo Ai. Empodérate. Accede Aquí.
- PlatoAiStream. Inteligencia Web3. Conocimiento amplificado. Accede Aquí.
- PlatoESG. Carbón, tecnología limpia, Energía, Ambiente, Solar, Gestión de residuos. Accede Aquí.
- PlatoSalud. Inteligencia en Biotecnología y Ensayos Clínicos. Accede Aquí.
- Fuente: https://feeds.feedblitz.com/~/874057523/0/cccblog~CCC-AAAS-Generative-AI-in-Science-Promises-and-Pitfalls-Recap-%e2%80%93-Part-Three/
