الذكاء الاصطناعي يحسن النماذج المناخية.. تنبؤات أكثر دقة - سبورت ليب

تعتمد الخلافات الدبلوماسية في مؤتمر (COP29) إلى حد كبير على نماذج الكمبيوتر، بعض النماذج لمواجهة تغير المناخ، والآخر تكلفة التخفيف منه.

الدبلوماسية المتوترة في مؤتمر COP29، مؤتمر الأمم المتحدة المعني بتغير المناخ الذي يجري حالياً في العاصمة الأذربيجانية باكو، تعتمد بشكل كبير على النماذج الحاسوبية. بعض هذه النماذج تحاكي ما قد يبدو عليه تغير المناخ؛ بينما يحاكي البعض الآخر تكلفة التخفيف من آثاره.

لا يوجد نموذج مثالي

النماذج التي تحاكي اتجاهات وآثار المناخ مضطرة لاستبعاد العديد من العوامل، إما لأن العمليات العلمية الأساسية لم تُفهم بعد أو لأن تمثيلها يتطلب حسابات مكلفة للغاية، ما يؤدي إلى عدم اليقين الكبير في نتائج المحاكاة، ويترتب عليه عواقب في العالم الحقيقي.

على سبيل المثال، ستكون المعركة الرئيسية للمندوبين في باكو حول مقدار المال الذي ينبغي أن يُعطى للدول الفقيرة لمساعدتها في تقليل انبعاثات الكربون، التكيف أو التعافي. ويعتمد المبلغ المطلوب للتكيف والتعافي على عوامل مثل ارتفاع مستوى البحر والتغيرات الموسمية التي لا يزال نماذج المناخ تكافح للتنبؤ بها بدقة. مع تزايد دقة المفاوضات، ستصبح التوقعات الأكثر دقة أكثر أهمية.

النماذج التي تحمل الوزن الأكبر في مثل هذه المناقشات هي تلك التي تُدار كجزء من مشروع المقارنة بين النماذج المتصلة (CMIP)، وهو مبادرة تنسق أكثر من 100 نموذج تم إنتاجها من قبل حوالي 50 فريقًا من علماء المناخ من جميع أنحاء العالم، جميعهم يحاولون معالجة المشكلة بنفس الطريقة "تقسيم العالم إلى شبكة من الخلايا"، ثم استخدام معادلات تمثل العمليات الفيزيائية لتقدير ما قد تكون عليه الظروف في كل خلية وكيف قد تتغير بمرور الوقت.

النمذجة المناخية

عندما بدأ مشروع النمذجة المناخية الدولي "CMIP" عام 1995، كانت معظم النماذج تستخدم خلايا بعرض مئات الكيلومترات، ما يعني أنها يمكن أن تقدم توقعات مفيدة حول ما قد يحدث لقارة، ولكن ليس بالضرورة لدول فردية.

تطلب تقليل حجم الخلايا إلى النصف حوالي 10 أضعاف من قوة الحوسبة؛ والنماذج الحالية، التي هي أقوى بآلاف المرات، ويمكن أن تحاكي خلايا بحجم حوالي 50 كم لكل جانب.

يمكن أن تجعل الحيل الحسابية الذكية النماذج أكثر تفصيلاً، كما أنها أصبحت أفضل في تمثيل التفاعلات المعقدة بين الغلاف الجوي والمحيطات واليابسة، مثل كيفية تدفق الحرارة عبر دوامات المحيط أو كيف تتغير رطوبة التربة جنبًا إلى جنب مع درجة الحرارة.

ولكن لا تزال العديد من الأنظمة الأكثر تعقيدًا بعيدة المنال. على سبيل المثال، تمثل السحب مشكلة خطيرة، سواء لأنها صغيرة جداً بحيث لا يمكن التقاطها في خلايا بحجم 50 كم، أو لأن التغيرات الصغيرة في سلوكها يمكن أن تؤدي إلى اختلافات كبيرة في مستويات الاحترار المتوقعة.

البيانات الأفضل

ستساعد البيانات الأفضل على تحسين نماذج المناخ وذلك من خلال استخدام الذكاء الاصطناعي (AI)، وبدأ صانعو النماذج في هذا المجال في التأكيد بثقة أنهم سيتمكنون قريبا من التغلب على بعض مشاكل الدقة والبيانات التي تواجهها النماذج التقليدية والحصول على نتائج بشكل أسرع أيضًا.

كان مهندسو غوغل من بين الأكثر تفاؤلا، فنموذج NeuralGCM، النموذج الرائد في الشركة للطقس والمناخ، تم تدريبه على 40 عامًا من بيانات الطقس وقد أثبت بالفعل أنه جيد في التنبؤ بالطقس مثل النماذج التي تم تجميع هذه البيانات من خلالها.

التعلم الآلي

في ورقة نُشرت في مجلة Nature في يوليو/تموز، زعمت غوغل أن نموذجها سيكون قادرا قريبا على إجراء توقعات على مدى زمني أطول بشكل أسرع، وباستخدام طاقة أقل، من النماذج المناخية الحالية. مع تدريب إضافي، يعتقد الباحثون أيضًا أن NeuralGCM سيكون قادرا على تقديم مزيد من اليقين في مجالات مهمة مثل تغييرات المواسم والأعاصير الاستوائية.

يقول الباحثون إن هذا التفاؤل يأتي من القدرات الفريدة لأدوات التعلم الآلي، حيث تتجنب النماذج الحالية مشاكل الفيزياء المستعصية باستخدام التقريب، يدعي مبتكرو NeuralGCM أنه يمكن توجيه النموذج من خلال اكتشاف الأنماط في البيانات التاريخية والملاحظات، وتبدو هذه الادعاءات مثيرة للإعجاب، لكنها لم تُقيّم بعد.

في دراسة مسبقة نُشرت في أكتوبر/تشرين الأول، أشار فريق من النماذج من مختبر لورانس ليفرمور الوطني في كاليفورنيا إلى أن NeuralGCM سيظل محدودا حتى يتضمن المزيد من الفيزياء المعنية على اليابسة.

يكون الآخرون أكثر تشككا في أن الطرق المستخدمة في التنبؤ بالطقس القصير الأجل يمكن تطبيقها بنجاح على المناخ.

ويقول جافين شميت، عالم المناخ الذي يدير معهد غودارد لدراسات الفضاء التابع لناسا، إن "الطقس والمناخ كلاهما يعتمد على الفيزياء"، لكنهما يطرحان تحديات نمذجة مختلفة. من ناحية، نادرا ما تكون البيانات المتاحة بنفس الجودة.

بالنسبة لتنبؤات الطقس، يتم إنتاج كميات هائلة من البيانات الممتازة كل يوم، وبالتالي، يمكن التحقق المستمر من توقعات اليوم السابق. لا تتمتع نماذج المناخ بنفس الرفاهية، بالإضافة إلى ذلك، تواجه تحدي محاكاة الظروف الأكثر تطرفا من أي ظروف تم ملاحظتها سابقا، وعلى مدى قرون بدلا من أيام.

الذكاء الاصطناعي

ومع ذلك، يمكن أن يساعد الذكاء الاصطناعي في تحسين نماذج المناخ من خلال معالجة مصدر رئيسي. حتى الآن، تم التغلب على ذلك من خلال ترميز خيارات اجتماعية وسياسية مختلفة في مجموعات من السيناريوهات الثابتة التي يمكن نمذجتها بعد ذلك.

تجعل هذه الطريقة التقييمات ممكنة، لكنها غير مرنة وغالبًا ما تكون غامضة. بمساعدة الذكاء الاصطناعي، يمكن للأدوات الحالية المعروفة باسم المحاكيات تخصيص النماذج التقليدية لتناسب احتياجات المستخدمين النهائيين.

وتُستخدم مثل هذه المحاكيات الآن من قبل المدن التي تخطط لمشاريع البنية التحتية، ومن قبل شركات التأمين التي تقيم المخاطر، ومن قبل الشركات الزراعية التي تقدر التغيرات في غلة المحاصيل.

على عكس نماذج مثل NeuralGCM من غوغل، التي تم تدريبها على نفس بيانات الطقس مثل النماذج المناخية الرائدة اليوم، يتم تدريب المحاكيات عادةً على مخرجات نماذج المناخ الكاملة، ما يسمح لها بالاستفادة من التحسينات التي تطرأ على النماذج نفسها، سواء من الفيزياء الجديدة التي يمكنها نمذجتها أو الطرق التي تستنتج بها ما يتجاوز البيانات التاريخية.

على سبيل المثال، كانت إحدى المحاكيات، التي طورتها منظمة البحوث العلمية والصناعية المشتركة في أستراليا في 2023، قادرة على تعديل التوقعات المرتبطة بمستويات الانبعاثات المستقبلية بمعدل مليون مرة أسرع من النموذج الذي تم تدريبها عليه.

سيؤدي تقليل عدم اليقين في نماذج المناخ، وربما الأهم من ذلك، جعلها أكثر توفرًا، إلى تحسين فائدتها لأولئك المكلفين بالتحدي المعقد المتمثل في مواجهة تغير المناخ.