Tim peneliti yang dipimpin Caltech mengatakan kecerdasan buatan kini dapat membantu memperkirakan kapan sebuah sistem mendekati tipping point, bukan hanya melacak perubahan bertahap. Dalam makalah baru di Proceedings of the National Academy of Sciences, para peneliti melaporkan bahwa recurrent neural operator memprediksi pergeseran mendadak dalam model iklim sederhana dan dalam simulasi aliran turbulen di atas sayap.
Fakta utama
- Studi ini dipimpin peneliti Caltech bersama University of Colorado Boulder dan NVIDIA.
- Metode AI yang digunakan adalah recurrent neural operator, yang dijelaskan dalam makalah memiliki memori bawaan.
- Dalam skenario iklim simulasi, model memperkirakan hilangnya awan rendah lebih dari dua tahun sebelumnya, dengan galat sekitar 11 hari.
- Makalah ini juga menguji aliran udara di atas sayap bidang yang dimiringkan, dan model memprediksi titik kritis yang terkait dengan penurunan lift yang tajam.
- Para penulis menyebut pendekatan ini bisa relevan untuk sains iklim, ekologi, epidemiologi, dan desain aeronautika.
Apa artinya bagi mahasiswa, peneliti, dan insinyur?
Makna langsungnya ada pada peneliti yang bekerja dengan sistem yang berubah secara nonlinier dari waktu ke waktu. Makalah ini menunjukkan bahwa pendekatan AI baru tersebut dapat membantu mempelajari lingkungan ketika metode pembelajaran mesin standar kesulitan karena fisika dasarnya tidak lagi stasioner.
Bagi mahasiswa dan peneliti di bidang sains iklim, aerodinamika, dan disiplin terkait, poin praktisnya adalah model ini diuji pada sistem sederhana yang dalam kasus iklim belum diukur secara langsung. Artinya, hasil ini adalah demonstrasi metode, bukan alat prakiraan yang siap dipakai untuk penerapan dunia nyata. Langkah berikutnya bagi bidang ini ialah menguji apakah metode AI serupa tetap bekerja pada data dan aplikasi yang lebih kompleks.
Pekerjaan ini juga relevan untuk studi kedirgantaraan, di mana perubahan bertahap dalam kondisi dapat mendahului pergeseran mendadak dalam aliran udara. Dalam simulasi sayap pada makalah ini, AI memberi sinyal titik kritis sebelum lift simulasi turun tajam, sesuatu yang menurut para penulis pada akhirnya dapat penting bagi prediksi dan desain.
Apa yang sebenarnya ditunjukkan tim Caltech?
Mereka menunjukkan bahwa recurrent neural operator dapat mengidentifikasi kapan sebuah sistem model bergerak menuju tipping point. Menurut studi ini, metode tersebut berbeda dari model AI cuaca standar karena dirancang untuk memperhitungkan sistem yang perilakunya berubah dari waktu ke waktu, bukan mengasumsikan masa depan akan menyerupai masa lalu.
Anima Anandkumar, penulis utama makalah ini, mengatakan tipping point adalah momen ketika sebuah sistem tidak lagi kembali ke keadaan asalnya. Makalah itu berpendapat bahwa hal ini penting karena pergeseran semacam itu bisa bersifat katastropik dan, dalam beberapa kasus, tidak dapat dibalikkan.
Seberapa akurat prediksi iklimnya?
Dalam satu skenario iklim simulasi, para peneliti mengamati potensi hilangnya awan laut rendah akibat meningkatnya karbon dioksida. Model itu mampu melihat lebih dari dua tahun ke depan dari titik kritis dalam data simulasi dan memperkirakan waktunya dengan galat sekitar 11 hari.
Hasil iklim ini penting karena hilangnya tutupan awan rendah akan menambah pemanasan global. Namun, bukti dalam makalah ini terbatas pada model yang disederhanakan dan data simulasi, sehingga temuan ini sebaiknya dipahami sebagai pembuktian konsep, bukan prakiraan langsung untuk iklim Bumi.
Mengapa pendekatan AI baru ini penting untuk sistem yang tidak stabil?
Ini penting karena banyak sistem nyata tidak berkembang secara mulus dan stasioner. Para peneliti mengatakan recurrent neural operator menyertakan semacam memori yang melacak bagaimana fisika berubah, sehingga dapat mendeteksi saat prediksinya sendiri tidak lagi cocok dengan perilaku sistem.
Sinyal peringatan itu adalah titik ketika tipping point mungkin sudah dekat. Makalah ini mengatakan pendekatan tersebut bisa berguna di bidang-bidang tempat perubahan bertahap dalam kondisi dapat menghasilkan transisi mendadak, seperti sistem iklim, wabah biologis, atau aliran udara di sekitar permukaan pesawat.
Siapa yang mengerjakan studi ini dan bagaimana dukungannya?
Selain Anandkumar, penulis Caltech lainnya adalah alumni Miguel Liu-Schiaffini dan Sze Chai Leung, serta profesor aeronautika Jane Bae. Penulis dari luar Caltech mencakup Clare E. Singer dari CU Boulder dan Nikola Kovachki serta Kamyar Azizzadenesheli dari NVIDIA.
Makalah itu menyebut pendanaan berasal dari Mellon Mays Undergraduate Fellowship; Eric and Wendy Schmidt melalui program AI2050 Senior Fellow Schmidt Sciences; Caltech trustee Charles Trimble; Office of Naval Research; Carver Mead New Adventures Fund; dan Center for Autonomous Systems and Technologies (CAST) milik Caltech. Pittsburgh Supercomputing Center, yang didukung National Science Foundation, menyediakan waktu komputasi untuk simulasi airfoil.
Pertanyaan yang sering diajukan
Apa itu tipping point dalam penelitian ini?
Dalam kerangka studi ini, tipping point adalah momen ketika sebuah sistem melampaui batas ke keadaan baru dan tidak lagi bisa kembali seperti semula. Gagasan itu dipakai untuk perilaku iklim dan transisi aliran udara.
Penggunaan apa yang diperkirakan para penulis di masa depan?
Para penulis mengatakan metode ini mungkin memiliki aplikasi dalam sains iklim, ekologi, epidemiologi, desain aeronautika, dan bidang terkait lainnya yang sistemnya dapat bergeser mendadak setelah periode perubahan bertahap.
