یک تیم پژوهشی به رهبری کلتک می‌گوید نشان داده است که هوش مصنوعی میتواند نه فقط تغییرات تدریجی، بلکه نزدیک‌شدن یک سامانه به «نقطه واژگونی» را هم پیش‌بینی کند. پژوهشگران در مقاله‌ای در Proceedings of the National Academy of Sciences گزارش کرده‌اند که یک «اپراتور عصبی بازگشتی» توانسته است هم در یک مدل ساده‌شده اقلیمی و هم در شبیه‌سازی‌های جریان آشفته هوا روی بال، گذارهای ناگهانی را پیش‌بینی کند.
نکات کلیدی
- پژوهش را محققان کلتک با همکاری دانشگاه کلرادو بولدر و شرکت انویدیا انجام دادند.
- روش مورد استفاده یک «اپراتور عصبی بازگشتی» است که در مقاله به داشتن نوعی «حافظه» توصیف شده است.
- در یک سناریوی اقلیمی شبیه‌سازی‌شده، مدل زمان ناپدیدشدن ابرهای کم‌ارتفاع را بیش از دو سال پیش از رویداد پیش‌بینی کرد و خطایی حدود ۱۱ روز داشت.
- مقاله همچنین جریان هوا روی یک بالِ صفحه‌ایِ مایل را آزمود و نشان داد مدل میتواند نقطه واژگونی مرتبط با افت شدید برآ را پیش‌بینی کند.
- نویسندگان میگویند این روش میتواند در اقلیمشناسی، بومشناسی، اپیدمیولوژی و طراحی آیرودینامیکی کاربرد داشته باشد.
این پژوهش برای دانشجویان و پژوهشگران چه معنایی دارد؟
اهمیت فوری این کار برای پژوهشگرانی است که با سامانه‌هایی سروکار دارند که در طول زمان به‌صورت خطی و یکنواخت تغییر نمی‌کنند. مقاله نشان می‌دهد این رویکرد تازه میتواند به مطالعه محیط‌هایی کمک کند که در آنها روش‌های رایج یادگیری ماشین به‌سختی جواب می‌دهند، چون فیزیک زیربنایی ثابت نمی‌ماند.
برای دانشجویان و پژوهشگران اقلیم، آیرودینامیک و حوزههای نزدیک، نکته عملی این است که مدل روی سامانه‌های ساده‌شده آزمایش شده و در بخش اقلیمی هنوز اندازه‌گیری مستقیم در دنیای واقعی نداشته است. بنابراین، این نتیجه بیشتر یک نمایش روش است تا ابزار پیش‌بینی نهایی برای به‌کارگیری عملی. گام بعدی برای پژوهشگران این حوزه، آزمودن این روش در داده‌ها و کاربردهای پیچیده‌تر است.
این کار همچنین برای مطالعات هوافضا میتواند مهم باشد، چون تغییرات تدریجی در شرایط می‌توانند پیش از یک گذار ناگهانی در جریان هوا رخ دهند. در شبیه‌سازی بال، هوش مصنوعی پیش از افت شدید برآ، رسیدن به یک نقطه واژگونی را نشان داد؛ موضوعی که به گفته نویسندگان در آینده میتواند برای پیش‌بینی و طراحی اهمیت داشته باشد.
پژوهشگران دقیقاً چه چیزی را نشان دادند؟
آنها نشان دادند که یک «اپراتور عصبی بازگشتی» میتواند تشخیص دهد یک سامانه مدل‌سازی‌شده در حال نزدیک‌شدن به نقطه واژگونی است. بنا بر مقاله، تفاوت این روش با بسیاری از مدل‌های استاندارد هوش مصنوعی در آن است که برای سامانه‌هایی طراحی شده که رفتارشان در گذر زمان تغییر می‌کند، نه اینکه آینده صرفاً ادامه گذشته باشد.
آنیما آناندکومار، نویسنده اصلی مقاله، می‌گوید نقطه واژگونی جایی است که سامانه دیگر به وضعیت اولیه‌اش بازنمی‌گردد. مقاله تأکید می‌کند که این نوع گذارها می‌توانند فاجعه‌بار و در برخی موارد برگشت‌ناپذیر باشند.
مدل در پیش‌بینی اقلیم چقدر دقیق بود؟
در یکی از سناریوهای اقلیمی شبیه‌سازی‌شده، پژوهشگران به از دست رفتن احتمالی ابرهای اقیانوسی کم‌ارتفاع در اثر افزایش دی‌اکسید کربن پرداختند. مدل توانست بیش از دو سال پیش از نقطه واژگونی در داده‌های شبیه‌سازی‌شده را ببیند و زمان آن را با خطایی حدود ۱۱ روز برآورد کند.
اهمیت این نتیجه در آن است که کاهش ابرهای کم‌ارتفاع میتواند به گرم‌شدن بیشتر زمین دامن بزند. با این حال، شواهد مقاله به یک مدل ساده‌شده و داده‌های شبیه‌سازی‌شده محدود است، بنابراین این یافته باید به‌عنوان اثبات امکان‌سنجی فهمیده شود نه پیش‌بینی مستقیم برای اقلیم زمین.
چرا این رویکرد برای سامانه‌های ناپایدار مهم است؟
اهمیت آن در این است که بسیاری از سامانه‌های واقعی به‌صورت یکنواخت و ایستا تکامل نمی‌یابند. پژوهشگران میگویند این اپراتور عصبی بازگشتی نوعی «حافظه» دارد که تغییرات فیزیکی را دنبال می‌کند و تشخیص می‌دهد چه زمانی پیش‌بینی‌های خودش دیگر با رفتار سامانه هم‌خوان نیستند.
همین هشدار، نشانه‌ای است که ممکن است نقطه واژگونی نزدیک باشد. مقاله می‌گوید این ویژگی میتواند در حوزه‌هایی مفید باشد که در آنها تغییر تدریجی شرایط به گذار ناگهانی منجر میشود، مانند سامانه‌های اقلیمی، رخدادهای زیستی، یا جریان هوا پیرامون سطوح پروازی.
چه کسانی در این پژوهش مشارکت داشتند و چه حمایت‌هایی دریافت شد؟
در کنار آناندکومار، نویسندگان کلتک شامل فارغ‌التحصیلان میگوئل لیو-شیافینی و سه چای لیونگ و نیز استاد هوانوردی جین بیه بودند. نویسندگان خارج از کلتک هم شامل کلر ای. سینگر از دانشگاه کلرادو بولدر و نیکولا کوواچکی و کامیار عزیززادنشلی از انویدیا بودند.
مقاله می‌گوید تأمین مالی از چند منبع انجام شد: بورس تحصیلی دوره کارشناسی مِلن مِیس، اریک و وندی اشمیت از طریق برنامه «AI2050 Senior Fellow» مؤسسه شِمیت ساینسز، چارلز تریمبل، دفتر پژوهش‌های دریایی، صندوق کاروی مید نیو ادونچرز، و مرکز سامانهها و فناوری‌های خودران کلتک. زمان محاسباتی برای شبیه‌سازی‌های ایرفویل را هم مرکز ابررایانش پیتسبورگ، با پشتیبانی بنیاد ملی علوم، فراهم کرد.
پرسش‌های متداول
نقطه واژگونی در این پژوهش چیست؟
در چارچوب این مطالعه، نقطه واژگونی لحظهای است که سامانه وارد حالت تازهای میشود و دیگر نمیتواند به وضعیت پیشین بازگردد. مقاله این مفهوم را هم برای رفتار اقلیمی و هم برای گذارهای جریان هوا به‌کار می‌برد.
نویسندگان چه کاربردهای آیندهای را مطرح میکنند؟
نویسندگان میگویند این روش میتواند در اقلیمشناسی، بومشناسی، اپیدمیولوژی، طراحی آیرودینامیکی و حوزههای مرتبطی به کار رود که در آنها سامانهها پس از دورهای از تغییر تدریجی، ناگهان دگرگون میشوند.
