هوش مصنوعی پیشگام "آرورا" بلایای طبیعی را سریع‌تر، ارزان‌تر و دقیق‌تر پیش‌بینی می‌کند

هوش مصنوعی پیشگام “آرورا” بلایای طبیعی را سریع‌تر، ارزان‌تر و دقیق‌تر پیش‌بینی می‌کند

اشتراک‌گذاری:

با افزایش شدت و دفعات بلایای مرتبط با تغییرات اقلیمی، تیمی از محققان بین‌المللی از مدل جدید و قدرتمند هوش مصنوعی آرورا (AI Aurora) رونمایی کردند. این مدل قرار است نحوه پیش‌بینی محیط زیست را متحول کند. آرورا پیش‌بینی‌های سریع‌تر، دقیق‌تر و مقرون‌به‌صرفه‌تری را برای حوزه‌های حیاتی مانند کیفیت هوا، امواج اقیانوس و رویدادهای آب‌وهوایی شدید ارائه می‌دهد. این مدل که با بیش از یک میلیون ساعت داده سیستم زمین آموزش دیده، یک جهش بزرگ رو به جلو محسوب می‌شود. دانشمندان معتقدند که آرورا می‌تواند شیوه آمادگی ما برای بلایای طبیعی و مقابله با چالش‌های تغییرات اقلیمی را تغییر دهد.

از سیل‌های ویرانگر در اروپا گرفته تا افزایش قدرت چرخندهای حاره‌ای در سراسر جهان، بحران اقلیمی اهمیت پیش‌بینی‌های قابل اعتماد را بیش از همیشه کرده است. روش‌های سنتی به مدل‌های عددی بسیار پیچیده که در طول دهه‌ها توسعه یافته‌اند، متکی هستند و نیازمند ابرکامپیوترهای عظیم و تیم‌های متخصص بزرگ هستند. آرورا با استفاده از قدرت هوش مصنوعی، راه‌حلی هوشمندتر و کارآمدتر ارائه می‌دهد.

یادگیری ماشین در هسته

مکس ولینگ، کارشناس یادگیری ماشین در دانشگاه آمستردام و یکی از محققان پشت این مدل، توضیح می‌دهد:

آرورا از پیشرفته‌ترین تکنیک‌های یادگیری ماشین برای ارائه پیش‌بینی‌های برتر برای سیستم‌های کلیدی زیست‌محیطی – کیفیت هوا، آب‌وهوا، امواج اقیانوس و چرخندهای حاره‌ای – استفاده می‌کند.

برخلاف روش‌های متداول، آرورا به توان محاسباتی بسیار کمتری نیاز دارد و پیش‌بینی با کیفیت بالا را در دسترس‌تر و مقیاس‌پذیرتر می‌کند – به ویژه در مناطقی که فاقد زیرساخت‌های گران قیمت هستند.

آموزش دیده با یک میلیون ساعت داده زمین!

آرورا بر پایه یک مدل بنیادین با ۱.۳ میلیارد پارامتر ساخته شده است که با بیش از یک میلیون ساعت داده سیستم زمین آموزش دیده است. این مدل برای برتری در طیف وسیعی از وظایف پیش‌بینی بهینه‌سازی شده است:

  • کیفیت هوا: در ۷۴ درصد موارد از مدل‌های سنتی بهتر عمل می‌کند.
  • امواج اقیانوس: در ۸۶ درصد اهداف، از شبیه‌سازی‌های عددی پیشی می‌گیرد.
  • چرخندهای حاره‌ای: در ۱۰۰ درصد آزمایش‌ها، هفت مرکز عملیاتی پیش‌بینی را شکست می‌دهد.
  • آب‌وهوای با وضوح بالا: در ۹۲ درصد سناریوها، به ویژه در رویدادهای شدید، از مدل‌های پیشرو پیشی می‌گیرد.

پیش‌بینی سریع، دقیق و فراگیر

با افزایش نوسانات اقلیمی، پیش‌بینی‌های سریع و قابل اعتماد برای آمادگی در برابر بلایا، واکنش اضطراری و انطباق با تغییرات اقلیمی بسیار حیاتی هستند. محققان معتقدند که آرورا می‌تواند با در دسترس قرار دادن پیش‌بینی‌های پیشرفته، کمک‌کننده باشد.

آنا لوسیک، محقق هوش مصنوعی از دانشگاه آمستردام نیز می‌افزاید:

چرخه‌های توسعه‌ای که زمانی سال‌ها طول می‌کشید، اکنون می‌توانند در عرض چند هفته توسط تیم‌های مهندسی کوچک تکمیل شوند.” وی ادامه می‌دهد: “این می‌تواند به ویژه برای کشورهای جنوب جهان، سرویس‌های آب‌وهوایی کوچک‌تر و گروه‌های تحقیقاتی متمرکز بر خطرات اقلیمی محلی ارزشمند باشد.

ولینگ اضافه می‌کند:

نکته مهم این است که این شتاب بر اساس دهه‌ها تحقیق بنیادی و مجموعه داده‌های عظیمی که از طریق روش‌های پیش‌بینی سنتی در دسترس قرار گرفته‌اند، بنا شده است.

آرورا به صورت رایگان آنلاین در دسترس همه قرار دارد. اگر کسی بخواهد آن را برای یک کار خاص بهینه‌سازی کند، باید داده‌های مربوط به آن کار را فراهم کند. لوسیک توضیح می‌دهد:

اما آموزش اولیه انجام شده است، ما دیگر به آن مجموعه داده‌های عظیم نیازی نداریم، تمام اطلاعات آن‌ها از قبل در آرورا گنجانده شده است.

ابزاری برای پیش‌بینی آینده

اگرچه تحقیقات کنونی بر روی چهار کاربرد ذکر شده تمرکز دارد، محققان می‌گویند که آرورا انعطاف‌پذیر است و می‌تواند برای طیف وسیعی از سناریوهای آینده مورد استفاده قرار گیرد. این‌ها می‌توانند شامل پیش‌بینی خطرات سیل، گسترش آتش‌سوزی‌های جنگلی، روندهای فصلی آب‌وهوا، عملکرد محصولات کشاورزی و تولید انرژی‌های تجدیدپذیر باشند.

ولینگ بیان می‌کند:

توانایی آن در پردازش انواع داده‌های مختلف، آن را به ابزاری قدرتمند و آماده برای آینده تبدیل می‌کند.

در حالی‌که جهان با آب‌وهوای شدیدتر – از امواج گرما تا طوفان‌ها – مواجه است، این مطالعه نتیجه‌گیری می‌کند که مدل‌های نوآورانه مانند آرورا می‌توانند رویکرد جهانی را از واکنش منفعلانه به بحران به تاب‌آوری اقلیمی فعالانه تغییر دهند.

منبع: Scitechdaily

مقالات مشابه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *