هوش مصنوعی جدید MIT بلایای طبیعی بیسابقه را پیشبینی میکند
مهندسان دانشگاه MIT با توسعه یک ابزار هوش مصنوعی انقلابی، راه را برای پیشبینی بلایای طبیعی بیسابقه هموار کردند؛ سیستمی که حتی بدون داشتن سوابق تاریخی از یک حادثه، میتواند شدت و وسعت آن را...
مهندسان دانشگاه MIT با توسعه یک ابزار هوش مصنوعی انقلابی، راه را برای پیشبینی بلایای طبیعی بیسابقه هموار کردند؛ سیستمی که حتی بدون داشتن سوابق تاریخی از یک حادثه، میتواند شدت و وسعت آن را مدلسازی کند.
مهندسان دانشگاه MIT ابزار جدیدی مبتنی بر هوش مصنوعی توسعه دادهاند که قادر است پدیدههای جوی حدی (extreme weather) را بدون نیاز به آموزش با استفاده از دادههای مربوط به بلایای طبیعی پیشین، پیشبینی کند. این ابزار توسط کای چانگ، دانشجوی تحصیلات تکمیلی مهندسی مکانیک، و پروفسور تمیس ساپسیس توسعه یافته است. این سیستم نقشههایی از رویدادهایی را ترسیم میکند که اگرچه در سوابق تاریخی یک منطقه ثبت نشدهاند، اما از نظر آماری امکانپذیر هستند. هر نقشه همچنین شامل تخمینهایی از مدتزمان احتمالی وقوع، شدت پدیده و همچنین برآوردی مجزا از وسعت منطقهای است که ممکن است تحت تأثیر قرار گیرد.
پیشبینی پدیدههای جوی حدی بدون نیاز به نمونههای پیشین
پروفسور ساپسیس صاحب کرسی ویلیام آی. کخ در رشته مهندسی مکانیک و اقیانوسشناسی در MIT است. هر دو پژوهشگر با مرکز علوم و مهندسی محاسباتی MIT همکاری دارند و ساپسیس همچنین در مؤسسه دادهها، سیستمها و جامعه (IDSS) این دانشگاه فعالیت میکند. این دو محقق در مقالهای که در تاریخ ۲۰ اوت در نشریه Nature Communications منتشر شده، روش خود را که «آگاهی از رویدادهای حدی» یا $\eta$-learning نامیده شده، تشریح کردهاند.
مدلهای فعلیِ ارزیابی ریسک، با رویکرد متفاوتی عمل میکنند. بیمهگران، برنامهریزان شهری و اپراتورهای شبکه معمولاً میخواهند بدانند که یک طوفان «صد ساله» برای مکانی خاص چگونه خواهد بود. شبیهسازیهای کنونی اغلب به مجموعهدادههایی وابسته هستند که خود شامل رویدادهای حدی (extreme events) باشند؛ به این معنا که مدلها ابتدا شرایط ایجادکننده آن بلایا را یاد میگیرند و سپس سعی میکنند الگوهای مشابه را برای آینده پیشبینی کنند.
چانگ معتقد است که این رویکرد فعلی، محدودیتهایی برای قابلیت بازنمایی مدلها ایجاد میکند. او میگوید: «این روشها بر پایه این فرض کار میکنند که حوادث بسیار فاجعهباری در مجموعهدادههای موجود وجود دارد؛ بنابراین یا متدی برای تخمین ریسک همان حوادث میسازند و یا سعی میکنند دقیقاً همان رویدادهایی را که پیشتر رخ دادهاند، پیشبینی کنند.»
ساپسیس نیز با مثال آوردن از طوفان کاترینا، بر همین محدودیت تأکید میکند. او میافزاید: «رویدادی مانند طوفان کاترینا چیزی است که هر ۳۰ تا ۴۰ سال یکبار رخ میدهد. اما طوفانی مشابه کاترینا که هر ۱۰۰ سال یکبار اتفاق بیفتد، چگونه خواهد بود؟ شدت آن چقدر خواهد بود؟ هدف ما دقیقاً همین است: کمیسازی این پدیدهها برای کمک به برنامهریزان جهت آمادگی در برابر سناریوهای حدیِ محتمل.»
تلفیق آمار نقطهای با جزئیات مکانی
این الگوریتم بر پایه دو نوع داده عمل میکند. نخست، «آمار نقطهای» (Point statistics) که نشان میدهد یک سطح از شدت مشخص (مانمان حداکثر میزان بارش ثبتشده در یک نقشه) با چه فرکانسی در یک مجموعهداده رخ میدهد. دوم، «نقشههای مکانی» (Spatial maps) که چگونگی تغییرات تأثیر یک رویداد را در پهنه یک منطقه نشان میدهند.
یادگیری رابطه آماری میان این دو مؤلفه به الگوریتم اجازه میدهد تا الگوهای مکانی را برای رویدادهایی فراتر از آنچه در دادههای آموزشی موجود است، بازسازی کند؛ بدون آنکه نیازی به نمونههای قبلی از آن شدتهای حدیِ خاص داشته باشد.
پژوهشگران این روش را بر روی میزان بارش در پهنه قارهای ایالات متحده آزمایش کردند. آنها با استفاده از دادههای مربوط به بارش ساعتی طی ۲۵ سال شروع کردند که در قالب نقشههای روزانه تجمیع شده بودند. سپس آمار نقطهای را محاسبه کردند تا مشخص شود حداکثر میزان بارش در یک نقشه، در طول این بازه زمانی چقدر با فرکانس خاصی به سطوح معین رسیده است.
بازه زمانی آموزش مدل مکانی بسیار محدود بود. آنها بخش مربوط به الگوریتم را با استفاده از جفتنقشههایی با وضوح پایین (low-resolution) و با وضوح بالا (high-resolution) که تنها از شش ماه اولِ آن رکورد ۲۵ ساله استخراج شده بودند، آموزش دادند؛ دورهای که تقریباً هیچ نمونهای از شدیدترین سطوح بارش را در خود نداشت.
الگوریتم یاد گرفت که چگونه الگوهای موجود در نقشههای با وضوح پایین با جزئیات نسخههای با وضوح بالا مطابقت دارند؛ سپس با اعمال آمار نقطهایِ بهدستآمده از کل دوره ۲۵ ساله، محدودیتهایی را برای میزان شدت الگوهای تولیدشده تعیین کرد تا نتایج منطقی باقی بمانند.
آزمایش زیرساختها در برابر نقشههای بدترین سناریو (Worst-case)
بیشترین میزان بارندگی ثبتشده در شهر نیویورک ۲۰۰ میلیمتر بوده است. این روش میتواند نقشههای معقولی از طوفانی با بارش ۳۰۰ میلیمتر تولید کند؛ سطحی که در سوابق مشاهداتی هیچ مشابهی برای آن یافت نمیشود.
کاربر میتواند به الگوریتم آموزشدیده دستور دهد تا نشان دهد یک طوفان «صد ساله» (رویدادی که هر صد سال یک بار رخ میدهد) برای شهری مشخص چگونه خواهد بود. خروجی کار به شکل نقشههایی است که طوفانهای از نظر آماری محتمل را با آن فرکانس نمایش میدهند. هر نقشه اندازه و وسعت پوشش منحصر به فرد خود را دارد و شدت بارندگی نیز در میان این مجموعه متفاوت است. به گفته چانگ، این الگوریتم میتواند حجم عظیمی از این سناریوها را بهطور همزمان تولید کند.
نقشههای تولیدشده میتوانند به شهرها کمک کنند تا دیوارهای ساحلی خود را در برابر طوفانهایی با شدت فراتر از هر آنچه تاکنون ثبت شده، آزمایش کنند. همین نقشهها میتوانند نشان دهند که آیا شبکه برق در طول یک موج گرمایی طولانیتر دوام میآورد یا خیر، و یا اینکه آیا منابع آتشنشانی میتوانند از پسِ کنترل یک آتشسوزی جنگلی بزرگتر از هر نمونهای که در سوابق موجود است، برآیند.
محدودیتهای نمایش (نمونه اولیه) تا به این لحظه
طبق گفته چانگ و ساپسیس، بهکارگیری این روش برای یک تهدید جدید، مستلزم آمارهای نقطهای مرتبط و دادههای مکانی مربوط به آن خطر خاص است. این دو نفر به توسعههای احتمالی پس از در دسترس قرار گرفتن این دادهها، مانند تجسم سیلهای شدید و آتشسوزیهای جنگلی که هیچ معادل تاریخی ندارند، اشاره کردند.
ساپسیس خاطرنشان میکند که زیرساختهای جهانی برای بهرهوری بهینه شدهاند و این امر باعث شده است که حاشیه امنیت (Slack) در سیستمهای تحت پشتیبانی، بسیار ناچیز باشد.
او توضیح میدهد: «اثرات یک رویداد حدی واحد، ظرف چند هفته در زنجیرههای تأمین، بازارهای انرژی و سیستمهای غذایی سرایت میکند. توانایی تعیین احتمال برای رویدادی که هنوز رخ نداده است، اکنون مسئله تابآوری ملی و اقتصادی است.»
این پژوهش در مقالهای در نشریه Nature Communications منتشر شده است. برای مطالعه بیشتر درباره خبر اصلی، صفحه اخبار رسمی MIT منبع خوبی است.
مطالب مرتبط:
