Trí tuệ nhân tạo thúc đẩy nghiên cứu về khoa học Trái đất

Các mô hình hệ thống khí hậu và Trái đất sẽ được cải thiện với các mô hình mới kết hợp trí tuệ nhân tạo và mô hình vật lý. Nguồn: NASA

Trong những thập kỷ qua, các phương pháp học máy chủ yếu được sử dụng để nghiên cứu các thuộc tính tĩnh, chẳng hạn như sự phân phối các đặc tính của đất đai từ quy mô địa phương đến quy mô toàn cầu. Gần đây, các kỹ thuật học sâu được bắt đầu áp dụng trong nghiên cứu của ngành khoa học trái đất như định lượng sự quang hợp toàn cầu trên đất liền đồng thời xem xét các biến thiên theo mùa và ngắn hạn. Với sự hỗ trợ của AI, các mô hình hệ thống khí hậu và Trái đất sẽ được cải thiện với các mô hình mới kết hợp trí tuệ nhân tạo và mô hình vật lý.

Trích xuất các quy luật cơ bản từ dữ liệu quan sát được

“Dù đã có dữ liệu hệ thống Trái đất từ rất nhiều cảm biến, nhưng cho đến nay chúng tôi vẫn còn chậm trong phân tích và giải thích các dữ liệu này”, Markus Reichstein, giám đốc điều hành của Viện nghiên cứu sinh hóa học Max Planck ở Jena, cho biết. Ông cũng là thành viên hội đồng của Trung tâm khoa học dữ liệu và mô phỏng Michael-Stifel Jena (MSCJ), và tác giả chính của nghiên cứu này.
Theo đồng tác giả nghiên cứu, Joachim Denzler từ Nhóm nghiên cứu Tầm nhìn Máy tính của Đại học Friedrich Schiller Jena (FSU) và thành viên của MSCJ: “Đây là lúc các kỹ thuật học sâu trở thành một công cụ đầy hứa hẹn, vượt ra ngoài các ứng dụng học máy cổ điển như nhận dạng hình ảnh, xử lý ngôn ngữ tự nhiên hoặc AlphaGo”. Ví dụ, ứng dụng vào nghiên cứu các sự kiện cực đoan như cháy lan hoặc bão, vốn là các quá trình rất phức tạp, chịu ảnh hưởng của các điều kiện địa phương và cả bối cảnh không gian và thời gian. Bên cạnh đó, nó cũng có thể giúp các nhà khoa học nghiên cứu về những quá trình vận chuyển trong khí quyển và đại dương, đất đai và thảm thực vật - một số chủ đề kinh điển của khoa học Trái đất.

Cải thiện các mô hình về hệ thống khí hậu và Trái đất

Tuy nhiên, các cách tiếp cận học sâu cũng khó khăn. Tất cả các phương pháp dựa trên dữ liệu và thống kê không đảm bảo tính nhất quán vật lý một cách chính xác. Ngoài ra các phương pháp này phụ thuộc nhiều vào chất lượng dữ liệu và có thể gặp khó khăn khi ngoại suy. Bên cạnh đó, yêu cầu xử lý dữ liệu và dung lượng lưu trữ rất cao. Nghiên cứu đã thảo luận về tất cả các yêu cầu và trở ngại này và phát triển một chiến lược để kết hợp hiệu quả giữa học máy với mô hình vật lý. Nếu cả hai kỹ thuật được kết hợp với nhau sẽ tạo ra cái gọi là mô hình lai. Ví dụ, các mô hình mới này có thể được sử dụng để mô hình hóa chuyển động của nước biển để dự đoán nhiệt độ mặt nước biển. Trong khi nhiệt độ được mô hình hóa vật lý, chuyển động của nước biển được thể hiện bằng phương pháp học máy. “Ý tưởng là kết hợp những gì tốt nhất của hai phương pháp: sự nhất quán của các mô hình vật lý và tính linh hoạt của máy học, để có được các mô hình được cải thiện rất nhiều”, Markus Reichstein giải thích thêm.
Các nhà khoa học cho rằng phương pháp học sâu và mô hình lai này sẽ giúp cải thiện rõ rệt việc phát hiện và cảnh báo sớm các sự kiện cực đoan, cũng như các dự đoán và dự báo dài hạn theo mùa, thời tiết, khí hậu.

Hoàng Nam dịch
Nguồn: https://www.eurekalert.org/pub_releases/2019-02/fj-ait021419.php