Credito:CC0 Dominio Pubblico
I modelli del sistema terrestre sono gli strumenti più importanti per descrivere quantitativamente lo stato fisico della Terra, e, per esempio, nel contesto dei modelli climatici, prevedendo come potrebbe cambiare in futuro sotto l'influenza delle attività umane. Come i metodi sempre più utilizzati dell'intelligenza artificiale (AI) possono aiutare a migliorare queste previsioni e dove risiedono i limiti dei due approcci è stato ora studiato da un team internazionale guidato da Christopher Irrgang del German Research Center for Geosciences Potsdam (GFZ) in un articolo di Prospettive per la rivista Intelligenza della macchina della natura . Una proposta chiave:fondere entrambi gli approcci in una "modellazione del sistema neurale terrestre" autoapprendente.
La terra come sistema:una sfida
Lo sviluppo della Terra è una complessa interazione di molti fattori, compresa la superficie terrestre con flora e fauna, gli oceani con il loro ecosistema, le regioni polari, l'atmosfera, il ciclo del carbonio e altri cicli biogeochimici, e processi di radiazione. I ricercatori parlano quindi del sistema Terra.
Con così tante sfere interconnesse e fattori di influenza, è una grande sfida prevedere scenari futuri, come richiesto, Per esempio, nell'ambito della ricerca sui cambiamenti climatici. "Negli ultimi anni sono stati compiuti enormi progressi qui, "dice Christopher Irrgang, autore principale dello studio e ricercatore post-dottorato nella sezione "Earth System Modelling" presso il GFZ. Per esempio, il sesto rapporto di valutazione dell'IPCC, pubblicato di recente, riassume la nostra attuale conoscenza degli impatti futuri di vari scenari di emissione di gas serra in modo più dettagliato che mai.
Il rapporto si basa, da una parte, su risultati sempre più completi e dettagliati derivanti da osservazioni e misurazioni del sistema Terra per valutare il riscaldamento passato e i suoi impatti, ad esempio sotto forma di eventi estremi crescenti, e dall'altro su un gran numero di simulazioni effettuate con modelli del sistema Terra (ESM) allo stato dell'arte.
Modellazione classica del sistema terrestre con importanti progressi
I modelli classici del sistema terrestre si basano su leggi fisiche sia note che meno note. Con l'aiuto di metodi matematici e numerici, lo stato di un sistema in un momento futuro è calcolato da ciò che è noto sullo stato del sistema in un momento presente o passato.
I modelli sottostanti sono migliorati continuamente negli ultimi decenni:è possibile prendere in considerazione un numero senza precedenti di sottosistemi e processi della Terra, includendo, in una certa misura, processi chiave così complessi come gli effetti delle nuvole. La loro performance è dimostrata, Per esempio, dal fatto che possono tracciare con precisione l'evoluzione delle temperature medie globali dall'inizio della raccolta dei dati. Oggi, è anche possibile trarre conclusioni sugli effetti del cambiamento climatico a livello regionale.
Limitazioni
Il prezzo, però, è che gli ESM sempre più complessi richiedono immense risorse computazionali. Nonostante questo sviluppo, anche le previsioni degli ultimi modelli contengono incertezze. Per esempio, tendono a sottovalutare la forza e la frequenza degli eventi estremi. I ricercatori temono che possano verificarsi cambiamenti improvvisi in alcuni sottosistemi della Terra, i cosiddetti elementi di ribaltamento nel sistema climatico, che gli approcci di modellazione classici non possono prevedere con precisione. E molti processi chiave, come il tipo di uso del suolo o la disponibilità di acqua e sostanze nutritive, non può (ancora) essere rappresentato bene.
Gli approcci di apprendimento automatico si stanno facendo strada
Le sfide degli approcci classici del MES, ma anche la quantità sempre crescente di osservazioni della Terra disponibili, aprire il campo all'uso dell'intelligenza artificiale. Ciò comprende, Per esempio, metodi di apprendimento automatico (ML) come reti neurali, foreste casuali o macchine vettoriali di supporto. Il loro vantaggio è che sono sistemi di autoapprendimento che non richiedono la conoscenza delle leggi e delle relazioni fisiche, forse molto complesse o addirittura non completamente conosciute. Anziché, sono formati su grandi set di dati per compiti specifici e apprendono da soli la sistematica sottostante. Questo concetto flessibile e potente può essere esteso a quasi tutte le complessità desiderate.
Per esempio, una rete neurale può essere addestrata a riconoscere e classificare i modelli nelle immagini satellitari, come strutture cloud, vortici oceanici o qualità del raccolto. Oppure impara a fare una previsione del tempo basata sui record precedenti, modelli ed equazioni di equilibrio fisico.
"Sebbene i primi studi abbiano dimostrato che i concetti di apprendimento automatico possono essere utilizzati per l'analisi delle immagini già nei primi anni '90, l'"esplosione cambriana" dell'IA nelle scienze della Terra e del clima ha luogo solo da circa cinque anni, " Irrgang osserva. Anche perché i pool di dati di misurazione e modello crescono ogni giorno e sono disponibili librerie ML sempre più pronte per l'uso.
Si può fidarsi dei risultati dell'intelligenza artificiale?
Però, resta da vedere fino a che punto questo approccio di autoapprendimento può effettivamente estendere o addirittura sostituire gli approcci di modellazione classici. Perché anche l'apprendimento automatico, ancora, ha le sue insidie:"Molte delle odierne applicazioni ML per la scienza del clima sono studi proof-of-concept che funzionano in un ambiente semplificato. Ulteriori ricerche diranno quanto sia adatto per un uso operativo e affidabile, "Irrgang riassume.
Un altro aspetto decisivo:come in una scatola nera, input e output sono noti, ma i processi dietro di loro per acquisire conoscenza non lo sono. Ciò causa problemi nella convalida dei risultati per la consistenza fisica, anche se sembrano plausibili. "Interpretabilità e spiegabilità sono questioni importanti nel contesto dell'apprendimento automatico che devono essere migliorate in futuro per rafforzare la trasparenza e la fiducia nel metodo. Soprattutto quando i risultati delle previsioni sono una base importante per le decisioni politiche, come nel caso della ricerca sul clima, " sottolineano gli autori dello studio.
Una terza via nuova e in rapida evoluzione:ibridi di ESM e AI
Nella presente pubblicazione, il team attorno al matematico propone una terza via:la fusione dei due approcci discussi sopra in una "modellazione del sistema neurale della Terra". In questo modo, i rispettivi punti di forza potrebbero essere combinati e i loro limiti estesi. I primi promettenti passi su questa strada sono già stati compiuti. Per esempio, Il machine learning non è più utilizzato solo per la pura analisi dei dati, ma anche per assumere o accelerare alcune fasi del processo nell'ambito degli ESM classici. Ciò libererebbe quindi capacità di calcolo che potrebbero confluire in ulteriori perfezionamenti del modello.
Nel futuro, nuove interfacce possono stabilire uno scambio dinamico di informazioni tra i due approcci in modo che si migliorino continuamente a vicenda. Questa profonda estensione della classica ricerca sulla Terra e sul clima basata sui processi eleva la modellazione del sistema neurale della Terra a un nuovo ramo di ricerca emergente. Al centro ci sono sistemi ibridi in grado di testare, corretta, e migliorare la loro consistenza fisica e, così, consentire previsioni più accurate dei processi geofisici e climatici rilevanti.
Attualmente, Irrgang e i suoi colleghi concludono che l'intelligenza artificiale e l'approccio ibrido contengono ancora rischi e insidie elevati, ed è tutt'altro che chiaro che l'attuale clamore che circonda l'uso dell'intelligenza artificiale risolverà, almeno da solo, i problemi aperti della ricerca sulla Terra e sul clima. In ogni caso, però, vale la pena proseguire su questa strada. Perché ciò accada, però, diventerà sempre più importante una stretta collaborazione tra la ricerca sul clima e sulla Terra da un lato e gli esperti di intelligenza artificiale dall'altro.