MIT تدرّب محاكيًا مناخيًا على بيانات اصطناعية: تشغيل واحد للنموذج الفيزيائي بدلًا من 6–8

قصة مألوفة لكل من يبني نماذج بديلة: المحاكي الحقيقي دقيق لكنه بطيء ومكلف، أما الشبكة العصبية السريعة التي تحل محله فتنهار بمجرد أن يُطلب منها تجاوز أمثلة التدريب. خطا باحثون من MIT خطوة نحو حل هذه المشكلة في النمذجة المناخية. وقد نُشر العمل في Proceedings of the National Academy of Sciences.

أين المشكلة

يحسب علماء المناخ التوقعات طويلة الأمد باستخدام نماذج النظام الأرضي (ESM). وهي نماذج فيزيائية ضخمة تصف المناخ بأدق التفاصيل. وعيبها واضح: فقد يستغرق حساب سيناريو واحد للمستقبل أشهرًا على عنقود من الحواسيب العملاقة.

ولهذا ظهرت المحاكيات المناخية، وهي نماذج ذكاء اصطناعي تنسخ سلوك نماذج ESM لكنها تجيب في ثوانٍ. وهذا يتيح استعراض آلاف السيناريوهات: ماذا سيحدث لدرجة الحرارة أو لمستوى سطح البحر إذا تغيّرت الانبعاثات بطرق مختلفة. لكن للمحاكيات نقطة ضعف. فهي تُدرَّب عادةً على ست إلى ثماني مسارات انبعاثات «واقعية»، ويجب تشغيل كل منها عبر نموذج ESM مكلف. وإضافة إلى ذلك، وكما تبيّن للمؤلفين أنفسهم سابقًا، تتعامل هذه المحاكيات بشكل سيئ مع السيناريوهات غير المألوفة.

كيف تعمل الطريقة

الفكرة مخالفة للحدس: لا يلزم أن تبدو بيانات التدريب واقعية. تبدأ الخوارزمية من سيناريو عشوائي يحسبه نموذج مناخي بسيط وسريع. ثم يُفحص مدى نجاح المحاكي في إعادة إنتاج نتيجة نموذج ESM المرجعي، وهذا يعطي تقديرًا للخطأ. وبفضل طريقة بناء مسار التدريب، يمكن تعديل البيانات تكراريًا بحيث ينخفض الخطأ. فمثلًا قد ترفع الخوارزمية انبعاثات CO2 بحدة في عام 2050 أو تخفض انبعاثات الميثان بسرعة في عام 2037. وتستمر الدورة إلى أن ينخفض الخطأ دون عتبة محددة.

والنتيجة سيناريوهات لا تتبع منحنيات ناعمة، بل تتضمن قفزات وتذبذبات سريعة. ووفق المؤلف الرئيسي كريستوفر وُماك، فإن هذه «التعرجات عالية التردد» تتيح للمحاكي استخلاص معلومات أكثر بكثير من النظام. والأجمل للميزانية أن نموذج ESM الكامل يُشغَّل مرة واحدة فقط، لا ست إلى ثماني مرات.

يمكن تشبيه ذلك باختبارات الهندسة. إذا اختبرت نظامًا بأحمال نمطية فقط، فستعرف كيف يعمل في يوم عادي. أما إذا أعطيته خطوات ونبضات حادة، فستعرف أسرع كيف يستجيب لأي شيء. والمبدأ هنا نفسه: المدخلات «غير الطبيعية» تكشف ديناميكيات النظام بشكل أفضل.

في الاختبار، تنبأ المحاكي المدرَّب بالطريقة الجديدة، على حجم أقل بكثير من البيانات الاصطناعية المنتقاة بعناية، بدقة بنتائج سيناريوهات لم يرها أثناء التدريب. أما المحاكيات التقليدية فلم تنجح في ذلك. ومثال من الدراسة: سياسة للتحكم في ملوِّث محلي، حيث ينخفض نوع واحد من الانبعاثات بينما تواصل الأنواع الأخرى الارتفاع. وهذه الحالة تحديدًا مهمة للقرارات العملية، وهي بالذات ما عجزت عنه المحاكيات المعتادة.

القيود والخلاصة العملية

ما زالت النتيجة مشروطة. فالمؤلفون أنفسهم يكتبون أنهم يريدون اختبار الطريقة على سيناريو مولَّد من نموذج ESM كامل، وليس فقط على نموذج مبسّط. كما سيطبقونها على أنواع أخرى من النماذج المناخية. أما الاستنتاجات المتعلقة بالتعلم الآلي عمومًا ورؤية الحاسوب فلا تزال خططًا لا نتائج.

ومع ذلك فإن الدرس يتجاوز المناخ بكثير. إذا كنت تبني نموذجًا بديلًا لمحاكٍ مكلف، سواء في الفيزياء أو ديناميكا الموائع الحسابية (CFD) أو النمذجة المالية أو التوأم الرقمي للإنتاج، فلا ينبغي أن تأخذ بيانات «واقعية» بشكل أعمى. فكثيرًا ما يكون الأجدى صياغة المهمة كتحسين لمجموعة التدريب نفسها: اختيار المدخلات التي تخفض خطأ النموذج على أفضل وجه في ظروف جديدة.

وهناك إشارة أيضًا لمديري المنتجات والمؤسسين. فعنق الزجاجة الرئيسي في هذه الأدوات ليس بنية الشبكة، بل تكلفة البيانات والوقت اللازم للتحديث. وبحسب قائدة العمل نويل سيلين، قد يستغرق تدريب المحاكي أشهرًا بل سنوات، ولذلك تتقادم الأدوات الجاهزة بسرعة. وإذا أمكن تقصير هذه الدورة، فستصل النماذج الحديثة أسرع إلى الباحثين وصنّاع القرار.

أُجريت الدراسة ضمن مشروع Bringing Computation to the Climate Challenge بدعم من Schmidt Sciences.