پیش بینی انقلاب آب و هوا (به لطف یادگیری عمیق)
فرآیندهای یادگیری عمیق (یادگیری عمیق) منشا و حرکت کریستال های یخ را توضیح دهد. پیش بینی آب و هوا چه در کوتاه مدت و چه در بلند مدت بهبود خواهد یافت
گروهی از محققان استفاده کردند یادگیری عمیق (یادگیری عمیق) برای مدل سازی تشکیل کریستال های یخ در جو. این مقاله در این هفته منتشر شد PNAS، امکانی را در مورد چگونگی بهبود قابل توجه دقت نشان می دهد پیش بینی آب و هوا و آب و هوا.
محققان از توانایی های یادگیری عمیق برای پیش بینی رفتار اتم ها و مولکول ها. ابتدا، مدل‌های یادگیری از شبیه‌سازی در مقیاس کوچک 64 مولکول آب آموزش داده شدند تا به آنها کمک کنند تا نحوه تعامل الکترون‌ها در اتم‌ها را تشخیص دهند. سپس مدل‌ها آن برهم‌کنش‌ها را در مقیاس بزرگتر با اتم‌ها و مولکول‌های بیشتر تکرار کردند.
این توانایی است برهمکنش های الکترون ها را به طور دقیق شبیه سازی کنید که به تیم اجازه داد تا رفتار فیزیکی و شیمیایی را به دقت پیش بینی کند.
او می گوید: «خواص ماده از رفتار الکترون ها پدیدار می شود پابلو پیاجی، محقق دانشگاه پرینستون و نویسنده اصلی مطالعه. «شبیه‌سازی صریح آنچه در آن سطح اتفاق می‌افتد به ما امکان می‌دهد تا پدیده‌های فیزیکی پیچیده‌تری را درک کنیم».
این اولین بار است که از این روش برای مدل سازی چیزی به پیچیدگی شکل گیری کریستال های یخ استفاده می شود. هسته زایی یخ. این یکی از اولین گام ها در شکل گیری است ابرها، منشأ همه بارش ها.
مطابق با شیائوونگ لیواستاد علوم جوی در دانشگاه A&M تگزاس که با این مطالعه مرتبط نیست، نیمی از تمام رویدادهای بارشی، چه برف، باران یا برف، با تشکیل کریستال های یخ شروع می شود که سپس بزرگ می شوند و باعث بارش می شوند.
اگر محققین می توانستند هسته یخ را با دقت بیشتری مدل کنند، می توانستند a تقویت بزرگ برای پیش بینی آب و هوا به طور کلی
هسته زایی یخ در حال حاضر بر اساس آزمایش های آزمایشگاهی برنامه ریزی شده است. محققان داده‌های مربوط به تشکیل یخ را در شرایط آزمایشگاهی مختلف جمع‌آوری می‌کنند و این داده‌ها تحت شرایط مشابه دنیای واقعی به مدل‌های پیش‌بینی آب‌وهوا وارد می‌شوند.
این روش همچنین می تواند به خوبی کار کند، اما اغلب به دلیل نادرست بودن آن ختم می شودتعداد زیادی از متغیرهای دخیل در شرایط آب و هوایی واقعی. یک تغییر جزئی در فاکتورهای در نظر گرفته شده بین آزمایشگاه و دنیای واقعی کافی است تا نتایج بسیار متفاوتی داشته باشیم.
لیو می‌گوید: «داده‌های شما فقط برای یک منطقه خاص، دما یا نوع تنظیمات آزمایشگاهی معتبر هستند.
پیش‌بینی هسته یخ از طریق تعامل الکترون‌ها بسیار دقیق‌تر است، اما همینطور است از نظر محاسباتی بسیار گران است. محققین باید 4000 تا 100000 مولکول آب را مدل کنند و حتی در ابررایانه ها، انجام چنین شبیه سازی ممکن است سال ها طول بکشد.
با این حال، تنها 100 پیکوثانیه یا 10-10 ثانیه از فعل و انفعالات مدل‌سازی می‌شود: فاصله زمانی کافی برای مطالعه فرآیند هسته‌زایی یخ.
با این حال، محققان با استفاده از یادگیری عمیق توانستند محاسبات را فقط در 10 روز انجام دهید. طول دوره مدل‌سازی شده نیز 1000 برابر طولانی‌تر بود، هنوز کسری از ثانیه، اما برای دیدن هسته‌گذاری کافی بود.
البته، لیو می‌گوید، داشتن دقیق‌ترین مدل‌های هسته‌زایی یخ، پیش‌بینی‌ها را کامل نمی‌کند، زیرا این تنها یک جزء کوچک، هرچند حیاتی، از مدل‌سازی آب و هوا است. وزن آن را دست کم نگیرید جنبه های دیگر: درک چگونگی تشکیل قطرات آب و بلورهای یخ، برای مثال، و نحوه حرکت و تعامل آنها با یکدیگر در شرایط مختلف.
با این حال، توانایی مدل‌سازی دقیق‌تر نحوه شکل‌گیری کریستال‌های یخ در اتمسفر می‌تواند پیش‌بینی‌های آب و هوا را به‌ویژه پیش‌بینی‌های مربوط به بارش باران یا برف و میزان احتمال آن را بهبود بخشد. داده‌های جدید همچنین می‌توانند با بهبود توانایی پیش‌بینی‌های اقلیمی، صحت پیش‌بینی‌های اقلیمی را تقویت کنند مدل تشکیل ابر، که بر روی دمای سیاره به روش های پیچیده
پیاجی می گوید تحقیقات آینده می تواند هسته یخ را زمانی که موادی مانند دود در هوا وجود دارد مدل کند و به طور بالقوه دقت مدل ها را حتی بیشتر بهبود بخشد. به لطف تکنیک‌های یادگیری عمیق، اکنون می‌توان از برهمکنش‌های الکترونی استفاده کرد مدل سازی سیستم های بزرگتر برای مدت زمان طولانی تررا
پیاجی می‌گوید: «آبی‌بامو اساساً زمینه‌ی مطالعاتی جدیدی را باز کرد. “این در حال حاضر بازی می کند و حتی نقش بیشتری در شبیه سازی های شیمی و شبیه سازی مواد ما خواهد داشت.”
کپی با ذکر منبع : فراز اندیشه
