• Home
  • Química
  • Astronomia
  • Energia
  • Natureza
  • Biologia
  • Física
  • Eletrônicos
  •  Science >> Ciência >  >> Natureza
    Equilibrando IA e física:Rumo a um modelo climático que pode ser aprendido

    Um esquema do modelo climático equilibrado entre física e IA. Crédito:Ya Wang


    A inteligência artificial (IA) está trazendo mudanças notáveis ​​para a ciência atmosférica, particularmente com a introdução de grandes modelos meteorológicos de IA, como Pangu-Weather e GraphCast. No entanto, juntamente com estes avanços, surgiram questões sobre o alinhamento destes modelos com os princípios fundamentais da física.



    Estudos anteriores demonstraram que Pangu-Weather pode replicar com precisão certos padrões climáticos, como respostas de guelras tropicais e teleconexões extratropicais, por meio de análise qualitativa. No entanto, investigações quantitativas revelaram diferenças significativas nos componentes do vento, tais como ventos divergentes e ventos idadeostróficos, nos atuais modelos meteorológicos de IA. Apesar destas descobertas, ainda existem preocupações de que a importância da física na ciência climática seja por vezes ignorada.

    "A avaliação qualitativa conclui que os modelos de IA podem compreender e aprender padrões espaciais em dados meteorológicos e climáticos. Por outro lado, a abordagem quantitativa destaca uma limitação:os modelos atuais de IA lutam para aprender certos padrões de vento e, em vez disso, dependem apenas da velocidade total do vento." explica o professor Gang Huang, do Instituto de Física Atmosférica (IAP) da Academia Chinesa de Ciências.

    "Isto sublinha a necessidade de diagnósticos dinâmicos abrangentes dos modelos de IA. Somente através de uma análise holística podemos aumentar a nossa compreensão e impor as restrições físicas necessárias."

    Pesquisadores, incluindo colaboradores do IAP, da Universidade Nacional de Seul e da Universidade Tongji, defendem uma abordagem colaborativa entre IA e física na modelagem climática, indo além da noção de um cenário “ou-ou”.

    O professor Huang diz:"Embora a IA seja excelente na captura de relações espaciais em dados meteorológicos e climáticos, ela luta com componentes físicos diferenciados, como ventos divergentes e ventos idadeostróficos. Isso ressalta a necessidade de diagnósticos dinâmicos rigorosos para impor restrições físicas."

    Publicado em Avanços nas Ciências Atmosféricas , seu artigo de perspectivas ilustra métodos para impor restrições físicas suaves e rígidas aos modelos de IA, garantindo consistência com a dinâmica atmosférica conhecida.

    Além disso, a equipe defende uma transição de esquemas de parametrização off-line para on-line para alcançar a otimização global nos pesos dos modelos, promovendo assim modelos climáticos equilibrados entre física e IA totalmente acoplados. Dr. Ya Wang afirma:"Essa integração permite a otimização iterativa, transformando nossos modelos em sistemas verdadeiramente aprendíveis".

    Reconhecendo a importância da colaboração comunitária, os investigadores promovem uma cultura de abertura, comparabilidade e reprodutibilidade (OCR). Ao abraçar princípios semelhantes aos das comunidades de IA e ciência da computação, eles acreditam no cultivo de uma cultura que conduza ao desenvolvimento de um modelo climático verdadeiramente aprendível.

    Em resumo, ao sintetizar as proezas espaciais da IA ​​com os princípios fundamentais da física e ao promover uma comunidade colaborativa, os investigadores pretendem realizar um modelo climático que combine perfeitamente a IA e a física, representando um avanço significativo na ciência climática.

    Mais informações: Gang Huang et al, Rumo a um modelo climático que pode ser aprendido na era da inteligência artificial, Advances in Atmospheric Sciences (2024). DOI:10.1007/s00376-024-3305-9
    Informações do diário: Avanços nas Ciências Atmosféricas

    Fornecido pela Academia Chinesa de Ciências



    © Ciência https://pt.scienceaq.com