북극 해빙이 부서지면서 AI가 얼음이 어디로 갈지 예측하기 시작했습니다.

CChatGPT8
6 Min Read

[ad_1]

에밀리 슈윙: 2019년 10월 쇄빙선에 탑승한 국제 과학자 팀은 의도적으로 배 주변의 북극해 얼음을 얼게 했습니다. 그들은 얼음 자체에 대해 더 많이 알고 싶어했습니다. 그러나 2020년 4월, 1년 간의 실험이 절반쯤 지났을 때, 프로젝트의 남은 6개월 동안 얼음이 얼어붙은 상태로 유지될지는 불분명했습니다.

[CLIP: Show music; Sea ice sounds]

슈윙: 당신은 듣고있다 사이언티픽 아메리칸‘에스 과학, 빠르게. 저는 에밀리 슈윙이에요.

과학자들에 따르면 해빙은 놀라운 속도로 녹고 있습니다. 너무 빨리 녹아서 일부 연구자들은 해빙 범위를 예측하는 전통적인 방법이 변화하는 기후의 속도를 따라잡지 못할 수도 있다고 생각합니다.

2050년이 되면 북극의 여름철 얼음이 사라질 수 있습니다. 그리고 이 지역의 해상 교통량이 증가하고 있지만 해빙 범위를 예측하는 것은 복잡합니다.

오늘 우리는 기계 학습(인공 지능)이 어떻게 해빙 예측을 위한 미래 도구가 될 수 있는지 살펴보겠습니다.

레슬리 카나베라: 우리는 해양학 과학을 기반으로 북극을 위한 인공 지능 및 기계 학습 모델을 구축합니다.

슈윙: 레슬리 카나베라입니다. 그녀는 PolArctic이라는 회사의 CEO이며 과학과는 다른 방식으로 얼음을 예측하려고 노력하고 있습니다.

1970년대 후반부터 과학자들은 해빙 예측을 작성하기 위해 물리학과 통계 모델링에 의존해 왔습니다.

카나베라: 두 개의 물 분자를 가져다가 함께 얼리면, 아시다시피, 이것이 그들이 함께 얼는 방식입니다. 그러나 거기에는 많은 가정이 있습니다. 그리고 바다로 추정하면 오류가 많이 발생합니다…. 그리고 통계적 모델링은 무슨 일이 일어났는지에 대한 역사적 사실을 기반으로 합니다. 하지만 기후 변화로 인해 더 이상 역사처럼 행동하지 않습니다. 그래서 인공지능은 이 두 가지 모두를 최대한 활용하고 시스템과 추세를 학습하여 이를 더욱 정확하게 예측할 수 있습니다.

슈윙: 물론, 오류와 주의사항에도 불구하고 통계와 과거 데이터의 기초는 여전히 중요합니다.

네덜란드: 우리는 지구의 모든 센티미터를 모델링할 수는 없습니다.

슈윙: 마리카 홀랜드(Marika Holland)는 콜로라도 주 볼더에 있는 국립 대기 연구 센터의 과학자입니다. 이 센터는 지난 50년 동안 해빙 범위를 예측하기 위해 물리학 및 통계 모델링을 사용해 왔습니다. 홀랜드는 방법론에 자신이 있지만 이러한 예측은 완벽하지 않다고 말했습니다.

네덜란드: 아시다시피, 우리는 좀 더 거칠게 작업해야 합니다. 그래서 우리는 해빙 덮개가 어떻게 변하고 있는지, 기후 측면이나 지구 시스템이 시간이 지남에 따라 어떻게 진화하는지에 대한 약간의 흐릿한 그림을 얻습니다.

슈윙: Marika는 정확한 예측에 문제를 일으킬 수 있는 소규모 프로세스도 많이 있다고 말합니다.

네덜란드: 실제로 이질적일 수 있고 눈이 실제로 단열되어 있는 해빙 위의 눈 덮개와 같은 것은 얼음을 통해 전달되는 열의 양에 영향을 줄 수 있습니다…. 우리는 그런 것들을 근사화해야 합니다. 예를 들어 해빙에 쌓인 눈을 1cm 단위로 분해할 수 있습니다. 따라서 이러한 시스템에는 항상 개선의 여지가 있습니다.

슈윙: Leslie는 인공 지능이 가장 도움이 될 수 있다고 말하는 바로 그 공간, 즉 개선의 여지가 있습니다. 그리고 그 도움은 북극에서 일어나고 있는 일 때문에 지금 당장 특히 중요합니다.

북극이사회에 따르면 2013년부터 2019년까지 북서항로를 통한 해양 교통량은 44% 증가했습니다. 이 지역의 수색 및 구조 역량은 제한적이며, 광대한 천연자원 개발 잠재력으로 인해 이 지역에 대한 관심이 높아졌습니다. Leslie는 AI가 더 작은 규모로 예측을 생성하여 특정 위치와 타이밍을 찾아 해당 사용자 그룹에 이익을 줄 수 있다고 말했습니다.

카나베라 : 우리는 계절 예측을 한 다음 계절 예측이 13주 전인 운영 예측을 수행했습니다. 우리는 그들의 경로가 언제 열릴지 예측할 수 있었고… 실제로 경로가 열릴 수 있고 그들이 갈 수 있는 날까지였습니다. 그런 다음 우리는 다음과 같은 운영 예측을 수행했습니다. [are] 날씨가 좀 그렇죠?”

슈윙: AI를 사용하여 해빙 범위를 예측하는 것은 새로운 접근 방식은 아니지만 인기를 얻고 있습니다. 영국 남극 조사국(British Antarctic Survey)의 톰 앤더슨(Tom Anderson)이 이끄는 팀은 2년 전 저널에 연구 결과를 발표했습니다. 네이처커뮤니케이션즈. 그해 YouTube 동영상에서 Tom은 IceNet이라는 팀 모델의 이점을 홍보했습니다.

[CLIP: Anderson speaks in YouTube video: “What we found is super surprising. IceNet actually outperformed one of the leading physics-based models in these long-range sea ice forecasts of two months and beyond while also running thousands of times faster. So IceNet could run on a laptop while previous physics-based methods would have to run for hours on a supercomputer to produce the same forecasts.”]

슈윙: AI가 생성한 해빙 예측의 가장 큰 한계 중 하나는 Leslie가 “블랙 박스”라고 부르는 것입니다.

카나베라: 그리고 당신은 이 모든 데이터를 가지고 있습니다. 인공지능 블랙박스에 넣으면 답이 나옵니다. 그리고 대답은 옳습니다. 그리고 과학자들은 “그럼 블랙박스가 무슨 일을 했는지 말해봐”라고 하기 때문에 매우 좌절감을 느낍니다. 그렇죠? 그리고 당신은 “글쎄, 정답이 나왔어.”라고 말하죠. 그래서 인공지능에는 XAI라는 큰 트렌드가 있는데, 설명 가능한 AI 시화는 “왜 당신의 인공지능이 정답을 주었나요?”와 관련이 있습니다.

때때로 그녀는 AI가 올바른 답에 따라 발생하지만 잘못된 이유로 발생한다고 말합니다. 그렇기 때문에 국립 대기 연구 센터의 Marika는 가장 효과적인 해빙 예측은 기계 학습과 50년 동안의 물리학 및 통계 모델링을 결합하는 것에서 나올 것이라고 말합니다.

네덜란드: 기계 학습이 물리학 기반 모델을 개선하는 데 도움이 될 수 있다면 정말 멋진 일입니다. 이것이 바로 우리가 탐구하고 있는 방법입니다. 기계 학습을 사용하여 물리 기반 모델을 개선하는 방법을 통해 기후와 해빙 시스템이 10년, 수십 년에 걸쳐 어떻게 변할지 예측할 수 있습니다. [kinds] 시간 규모.

슈윙: 그리고 알래스카 원주민인 Leslie가 대체할 수 없는 해빙 예측 퍼즐 중 하나가 바로 전통적인 원주민 지식입니다.

카나베라: 전통적인 원주민 지식과 인공지능의 장점은 많은 전통 원주민 지식이 데이터이고, 인공지능은 데이터를 기반으로 모델을 구축한다는 점입니다. 이것이 바로 전통적인 원주민 지식을 통합할 수 있다는 점에서 이러한 동적 모델보다 더 잘 작동하는 이유입니다.

을 위한 과학, 빨리, 저는 에밀리 슈윙이에요.

사이언티픽 아메리칸‘에스 과학, 빠르게 Tulika Bose, Jeff DelViscio 및 Kelso Harper가 제작하고 편집했습니다. 우리의 테마 음악은 Dominic Smith가 작곡했습니다.

당신은들을 수 있습니다 과학, 빠르게 어디서든 팟캐스트를 받을 수 있습니다. 보다 최신의 심층적인 과학 뉴스를 보려면 ScientificAmerican.com을 방문하십시오. 감사합니다. 다음에 뵙겠습니다.

Share this Article
Leave a comment

답글 남기기

이메일 주소는 공개되지 않습니다. 필수 필드는 *로 표시됩니다