هوش مصنوعی، آینده علم را تغییر می‌دهد
نتایج مطالعات جدید تیمی مشترک از پژوهشگران دانشگاه‌های ینا (Jena) و هامبورگ که امروز در مجله Nature منتشر شد، نشان می‌دهد که هوش مصنوعی می‌تواند به‌طور قابل‌توجهی فهم انسان را از شرایط زیست‌محیطی و سیستم‌های کره زمین؛ افزایش دهد. یافته‌های محققان نشانگر این مسئله است که یادگیری عمیق به‌طور خاص بسیاری از حوزه‌های علم و دانش را در بر می‌گیرد. فرایندهای پویا و پیچیده‌ای مانند طوفان، گسترش آتش‌سوزی‌های رخ‌داده در مناطق طبیعی و دینامیک گیاهان ازجمله مواردی محسوب می‌شوند که می‌توانند با کمک هوش مصنوعی به‌طور بهتری توصیف شوند.
امروزه با استفاده از طیف وسیعی از حس‌گرها، اطلاعات بسیار زیاد و ارزشمندی از داده‌های سیستم زمین به‌دست‌آمده است، اما دانش ما تاکنون برای تجزیه‌وتحلیل و تفسیر این اطلاعات کافی نبوده و در حقیقت قدرت تفسیر ما از فرایند دریافت اطلاعات، عقب‌مانده است.
درنتیجه، مدل‌های پیشین سیستم‌های آب‌وهوایی و زمین، با مدل‌های جدید مرکب از هوش مصنوعی و مدل‌سازی فیزیکی بهبود پیداکرده و این موارد بر زندگی انسان تأثیر مستقیمی خواهد داشت.
در دهه‌های گذشته عمدتاً ویژگی‌های استاتیک با استفاده از روش‌های یادگیری ماشینی از قبیل توزیع خواص خاک از سطح محلی به مقیاس جهانی موردبررسی قرارگرفته است. برای برخی از این موارد، با بهره‌گیری از تکنیک‌های یادگیری عمیق، می‌توان با فرآیندهای پویای بیشتری روبرو شد. به‌عنوان‌مثال این فناوری می‌تواند فرایند فتوسنتز جهانی در زمین را با در نظر گرفتن هم‌زمان تغییرات فصلی و کوتاه‌مدت تعیین کند.
استنباط قوانین اساسی از اطلاعات و داده‌های مشاهده‌شده
مارکوس ریچ اشتاین (Markus Reichstein)، مدیرعامل موسسه بیوگرافی شیمی ماکس پلانک در دانشگاه ینا و رئیس هیئت‌مدیره و عضو مرکز مایکل اسمیتل دانشگاه ینا (MSCJ) و نویسنده ارشد این پژوهش درباره نقش هوش مصنوعی و یادگیری عمیق در آینده دنیای علم می‌گوید: امروزه با استفاده از طیف وسیعی از حس‌گرها، اطلاعات بسیار زیاد و ارزشمندی از داده‌های سیستم زمین به‌دست‌آمده است، اما دانش ما تاکنون برای تجزیه‌وتحلیل و تفسیر این اطلاعات کافی نبوده و در حقیقت قدرت تفسیر ما از فرایند دریافت اطلاعات، عقب‌مانده است.
یواخیم دنزلر (Joachim Denzler) نویسنده دیگر این تحقیقات و پژوهشگر گروه بینش کامپیوتری فردریش شیلر دانشگاه ینا در این رابطه تأکید کرد: این موضوع همان نقطه‌ای است که تکنیک‌های یادگیری عمیق تبدیل به یک ابزار امیدوارکننده، بسیار مؤثر و فراتر از برنامه‌های کاربردی آموزش کلاسیک ماشینی مانند تشخیص تصاویر، پردازش زبان طبیعی و یا AlphaGo، می‌شوند.
مثال‌های دیگری برای کاربرد فناوری هوش مصنوعی در توسعه علم و خدمت به محیط‌زیست، عبارت‌اند از وقایع شدید و سوانح طبیعی مانند گسترش آتش و یا طوفان‌ها که معمولاً فرآیندهای بسیار پیچیده‌ای هستند و تحت تأثیر شرایط محلی و همچنین زمینه‌های زمانی و فضایی خود قرار می‌گیرند. هوش مصنوعی همچنین در مورد حمل‌ونقل، مطالعه حرکات اتمسفر و اقیانوس، حرکت خاک و پویش گیاهی و برخی از موضوعات کلاسیک مرتبط با دانش زمین‌شناسی است.
هوش مصنوعی در خدمت بهبود سیستم‌های آب‌وهوایی و کره زمین
باید در نظر داشت که روش‌های یادگیری عمیق، علی‌رغم تمام نکات مثبت ذکرشده، دشوار است. تمام داده‌ها و رویکردهای آماری موجود، هماهنگی فیزیکی آن‌ها را تضمین نمی‌کنند. این فناوری به‌شدت وابسته به کیفیت داده‌ها است و ممکن است با برداشت‌های اضافی و داده‌های بی‌مورد، فرایند تحلیل توسط هوش مصنوعی مشکل پیدا کند. علاوه بر این، نیاز به پردازش اطلاعات و ظرفیت ذخیره‌سازی در فناوری‌های یادگیری عمیق و هوش مصنوعی بسیار بالا است. این مقاله علمی تمام این الزامات و موانع را موردبحث قرار داده و استراتژی‌های مرتبط با آن را بررسی می‌کند تا به‌طور مؤثری بتوان ادغام آموزش ماشینی را با مدل‌سازی فیزیکی ترکیب کرد. اگر هر دو تکنیک باهم جمع شوند، به‌اصطلاح مدل‌های ترکیبی ایجاد می‌شوند. برای مثال، این مدل‌های ترکیبی می‌توانند برای مدل‌سازی حرکت آب اقیانوس و پیش‌بینی دمای سطح آب دریا استفاده شوند. درحالی‌که درجه حرارت از لحاظ فیزیکی مدل‌سازی شده است، جنبش آب اقیانوس با یک روش یادگیری ماشینی نمایش داده می‌شود. مارکوس ریچ اشتاین در این رابطه می‌گوید: ایده به‌کاررفته برای دستیابی به فناوری فوق‌الذکر، این است که بهترین ترکیب و هماهنگی مدل‌های فیزیکی و فن‌آوری یادگیری ماشینی را به دست آورده و مدل‌های موجود را بهبود ببخشیم.
دانشمندان معتقدند که تشخیص و پیشگیری از وقوع حوادث شدید و پیش‌بینی فصلی و بلندمدت آب‌وهوا و شرایط آب‌وهوایی به‌شدت به روش‌های یادگیری عمیق و مدل‌سازی ترکیبی وابسته خواهند بود.
ترجمه: احسان محمدحسینی
منبع: laboratoryequipment و rdmag
No tags for this post.
