775
Η αλλαγή του κλίματος είναι ένα από τα πιο πιεστικά ζητήματα της εποχής μας. Παρά την αυξανόμενη παγκόσμια συναίνεση σχετικά με τον επείγοντα χαρακτήρα της μείωσης των εκπομπών από τη δεκαετία του 1980, συνεχίζουν να αυξάνονται αμείλικτα. Αναζητούμε την τεχνολογία για να μας αποδώσει από την αλλαγή του κλίματος, κατά προτίμηση χωρίς να θυσιάζουμε την οικονομική ανάπτυξη.
Optimistic- μας μερικοί θα έλεγαν τεχνο-ουτοπικές -visions του μέλλοντος συνεπάγονται μεγάλη συστοιχίες των ηλιακών συλλεκτών , μηχανές που απορροφούν το διοξείδιο του άνθρακα πίσω από την ατμόσφαιρα, και την αντικατάσταση των ορυκτών καυσίμων για τις μεταφορές και τη θέρμανση με ηλεκτρική ενέργεια που παράγεται από ανανεώσιμες μέσα. Αυτό δεν είναι τίποτα λιγότερο από την ανοικοδόμηση του πολιτισμού μας σε σταθερά, βιώσιμα θεμέλια.
Εν τω μεταξύ, η κοινωνία διαμορφώνεται ολοένα και περισσότερο με αλγόριθμους μηχανικής μάθησης: αυτοματοποίηση των επαγγελμάτων , εκτέλεση εργασιών από τη διάγνωση ασθενειών στην εξυπηρέτηση διαφημίσεων και την ώθηση των ανθρώπων σε διαφορετικές συμπεριφορές. Πώς μπορεί να βοηθήσει η AI στην καταπολέμηση της κλιματικής αλλαγής;
"Με πολλούς τρόπους" είναι η απάντηση. Ακριβώς όπως η αντιμετώπιση της κλιματικής αλλαγής περιλαμβάνει πρακτικά κάθε τομέα-γεωργία, μεταφορές, αρχιτεκτονική, ενέργεια, βιομηχανία, logistics για να αναφέρουμε αλλά μερικές μηχανικές λύσεις μάθησης μπορούν να βρουν τη θέση τους για να βοηθήσουν στην επίλυση μερικών χιλιάδων προβλημάτων που προκύπτουν. Αυτό μπορεί να κυμανθεί από τη βελτίωση της κατανόησης του προβλήματος με τη δημιουργία καλύτερων κλιματικών μοντέλων, βοηθώντας τις επιχειρήσεις και τις βιομηχανίες να μειώσουν τις εκπομπές τους, βοηθώντας στο σχεδιασμό νέων τεχνολογιών ή βοηθώντας την κοινωνία να προσαρμοστεί στις αλλαγές που έχουν ήδη ξεκινήσει.
Τώρα, μια ομάδα ερευνητών από πολλά ιδρύματα - συμπεριλαμβανομένου του ιδρυτή της Coursera Andrew Ng, επικεφαλής επιστήμονα του Google John Platt και του βραβευμένου με το βραβείο Turing Yoshua Bengio - έχουν δημοσιεύσει ένα ερευνητικό έγγραφο 100 σελίδων που περιγράφει μερικές από τις περιοχές όπου η μηχανική μάθηση είναι η καλύτερη θέση για να κάνεις τη διαφορά.

Εξισορρόπηση του δικτύου

Ένα κλασικό παράδειγμα είναι στον τομέα των ανανεώσιμων πηγών ενέργειας. Η ηλιακή και η αιολική ενέργεια σήμερα, στις περισσότερες περιοχές , είναι η φθηνότερη παραγωγή ηλεκτρικής ενέργειας για την κατασκευή, ακόμη και χωρίς τιμή για τον άνθρακα. Ο κύριος φραγμός είναι η διαλείμματα: πώς να ενσωματώσετε αυτές τις πηγές ενέργειας, οι οποίες ποικίλλουν ανάλογα με τον καιρό και εποχιακά, σε ένα δίκτυο που κατευθύνεται από τις ανθρώπινες απαιτήσεις. Κάνοντας αυτό αποτελεσματικά μας επιτρέπει να ελαχιστοποιήσουμε την ποσότητα των ορυκτών καυσίμων που καίνουμε, αλλά απαιτεί δεξιότητες στην πρόβλεψη τόσο της προσφοράς όσο και της ζήτησης.
Οι αλγόριθμοι μηχανικής μάθησης μπορούν να επεξεργάζονται τεράστιες ποσότητες δεδομένων από πραγματικές καιρικές συνθήκες σε πληροφορίες σχετικά με τη ρύπανση σε ροές βίντεο από περιοχές κοντά σε ηλιακούς συλλέκτες και μπορούν γρήγορα να τις μετατρέψουν σε προβλέψεις για την ποσότητα ισχύος που θα δημιουργηθεί. Πέρα από τις προβλέψεις, όμως, οι αλγόριθμοι μηχανικής μάθησης μπορούν να είναι υπεύθυνοι για τον "προγραμματισμό και την αποστολή", προσδιορίζοντας ποιες μονάδες παραγωγής ηλεκτρικής ενέργειας πρέπει να λειτουργούν ανά πάσα στιγμή και ποιοι μπορούν να απενεργοποιηθούν.
Στο μέλλον, οι τεχνολογίες του Ίντερνετ των πραγμάτων μπορεί να παρέχουν μεγαλύτερη ευελιξία στη διαχείριση της ζήτησης: οι διαδικασίες με τη μεγαλύτερη δυνατή κατανάλωση ενέργειας μπορούν να πραγματοποιηθούν όταν οι προμήθειες κορυφώνονται, αποφεύγοντας την σπατάλη ενέργειας και την υπερπαραγωγή . Η ηλεκτροκίνηση των μεταφορών θα προσθέσει επίσης επιλογές τοπικής αποθήκευσης σε αυτό το πιο σύνθετο δίκτυο: οι μεγάλες μπαταρίες ηλεκτρικών αυτοκινήτων θα μπορούσαν να χρησιμοποιηθούν για να τροφοδοτήσουν το σπίτι σας και τα πρώτα μοντέλα που μπορούν να το κάνουν είναι επικείμενα .

Δίκτυα για δίκτυα, υλικά

Ο έλεγχος ενός τέτοιου δικτύου προμήθειας, αποθήκευσης και ζήτησης με την παρουσία αβεβαιότητας και ροών δεδομένων από εκατομμύρια διαφορετικές πηγές είναι μια εργασία για μηχανική μάθηση. Αλγόριθμοι όπως εκείνοι που εξυπηρετούν διαφημίσεις χρησιμοποιούν ήδη μαθηματική υποδομή όπως η θεωρία των ληστών για να αποφασίσουν ποια ενέργεια είναι πιθανό να μεγιστοποιήσει μια δεδομένη ανταμοιβή. θα μπορούσαν να είναι καλά προσαρμοσμένα για να ελέγξουν αυτό το νέο, πιο πράσινο δίκτυο, εάν αυτή η επιβράβευση ελαχιστοποιεί τις εκπομπές ή μεγιστοποιώντας τα κέρδη της εταιρείας ηλεκτρικής ενέργειας.
Ένα άλλο δίκτυο που μπορεί να ωφεληθεί από τον έλεγχο της μηχανικής μάθησης είναι η μεταφορά. Η μείωση των περιττών διαδρομών ή η μείωση της κυκλοφορίας μπορεί να συμβάλει στη μείωση της ρύπανσης. Οι αλγόριθμοι της Uber υπερέχουν ήδη στην αντιστοίχιση των αναβατών με τους οδηγούς και η κοινή χρήση με το ποδήλατο είναι ένας άλλος εναλλακτικός τρόπος μείωσης των εκπομπών από τις μεταφορές. Καθώς τα αυτόνομα οχήματα γίνονται ολοένα και πιο διαδεδομένα, οι αλγόριθμοι μηχανικής μάθησης μπορούν να βελτιστοποιηθούν με τις εκπομπές στο μυαλό και να βοηθήσουν να μειωθεί ο τομέας που αντιπροσωπεύει το ένα τέταρτο των εκπομπών διοξειδίου του άνθρακα.
Από την πλευρά της έρευνας και της ανάπτυξης, η μηχανική μάθηση συνδυάζεται ολοένα και περισσότερο με μοντέλα βασισμένα στη φυσική και πειραματικά δεδομένα για να προβλέψει πώς συμπεριφέρονται τα νέα υλικά . Αυτό μπορεί να μας βοηθήσει να βρούμε υλικά για ευέλικτους, υπερ-αποδοτικούς ηλιακούς συλλέκτες ή LED, προβλέποντας ποιες κρυσταλλικές δομές θα έχουν τις καλύτερες φωτοβολταϊκές ιδιότητες. μπορεί να χρησιμοποιηθεί για το σχεδιασμό θερμοηλεκτρικών υλικών που μπορούν να μετατρέψουν την απόβλητα θερμότητα σε χρήσιμη ηλεκτρική ενέργεια. και μπορεί να χρησιμοποιηθεί για να βοηθήσει στην εξεύρεση απορροφητικών υλικών για τις συσκευές καθαρισμού CO2 με αρνητικές εκπομπές. Κάποιος θα μπορούσε να φανταστεί, μια μέρα, ολόκληρη η διαδικασία επιλογής, σχεδίασης, κατασκευής και δοκιμής ενός νέου κρυστάλλου θα μπορούσε να είναι εξ ολοκλήρου αυτοματοποιημένη και να υπόκειται στον έλεγχο της μηχανικής μάθησης.

Δορυφόροι και περιπολίες στο Παρίσι

Η συμφωνία του Παρισιού είναι πολύ σημαντική ως η κύρια διεθνής συμφωνία για τη μείωση των εκπομπών. Ωστόσο, βασίζεται σε εθελοντικούς στόχους και στην αυτο-αναφορά των εκπομπών . Όχι μόνο υπάρχουν πολλοί τρόποι λογιστικής με βάση το διοξείδιο του άνθρακα, όπως υπάρχουν οι λογιστές, αλλά υπάρχει και το ενδεχόμενο απάτης και εξαπάτησης: εξάλλου, η Volkswagen εξαπάτησε συστηματικά τις δοκιμές εκπομπών για χρόνια. Μπορεί να προκύψει περισσότερη εμπιστοσύνη εάν οι εκπομπές μπορούν να παρακολουθούνται εξ αποστάσεως.
Τα δορυφορικά δεδομένα, συμπεριλαμβανομένου ενός νέου στόλου δορυφόρων παρακολούθησης του CO2 που πρόκειται να δρομολογήσει η ΕΕ κατά τη δεκαετία του 2020 , θα μπορούσαν να επιτρέψουν την πραγματοποίηση ανεξάρτητων μετρήσεων του CO2, βοηθώντας τα έθνη να καταγράψουν τις ατομικές και συλλογικές τους προσπάθειες και να προσδιορίσουν βασικούς τομείς για την εργασία επί. Η ανάδευση μέσω δορυφορικών δεδομένων, ειδικά όταν απαιτεί αναγνώριση χαρακτηριστικών, είναι μια εργασία που οι αλγόριθμοι μηχανικής μάθησης ήδη υπερέχουν. Ο μηχανισμός για την παραγωγή φυσικού αερίου μέσω της fracking και άλλων τεχνικών έχει οδηγήσει σε διαρροές από τους σωλήνες μεθανίου, προκαλώντας συγκεντρώσεις ενός ισχυρού αερίου θερμοκηπίου. Αλλά αυτά μπορούν επίσης να εντοπιστούν με δορυφόρους.
Αυτό δεν είναι όλα τα δορυφορικά δεδομένα που μπορούν να χρησιμοποιηθούν. Ένα μεγάλο μέρος της αβεβαιότητάς μας για το πώς το κλίμα ανταποκρίθηκε στην ανθρώπινη επιρροή οφείλεται σε σύννεφα, τα οποία μπορούν να επηρεαστούν από τη ρύπανση με περίπλοκο τρόπο. Οι αλγόριθμοι ML που ανιχνεύουν δεδομένα δορυφορικού σύννεφου, συσχετίζοντάς τον με πηγές ρύπανσης στο έδαφος, μπορούν να μας βοηθήσουν να περιορίσουμε αυτή την αβεβαιότητα και επομένως να περιορίσουμε καλύτερα τις προβλέψεις της παγκόσμιας θερμοκρασίας.

Μοντελοποίηση και προσαρμογή

Τα νευρικά δίκτυα είναι πολύ καλά στην κωδικοποίηση των λεπτών, στατιστικών σχέσεων μεταξύ πολλαπλών μεταβλητών. Αυτό σημαίνει ότι μπορούν δυνητικά να χρησιμοποιηθούν για να αντιπροσωπεύσουν τις φυσικές διεργασίες με τρόπο πιο αποδοτικό από άποψη υπολογιστικής, επιτρέποντάς μας να βελτιώσουμε τα κλιματικά και κλιματολογικά μοντέλα, επιτρέποντάς μας να ενσωματώσουμε περισσότερα δεδομένα πραγματικού κόσμου και καλύτερες αναπαραστάσεις διαδικασιών που λαμβάνουν χώρα σε μικρές κλίμακες σε αυτές μοντέλα. Αυτό είναι ζωτικής σημασίας, καθώς βασιζόμαστε στα κλιματικά μοντέλα για να κατανοήσουμε ποιες επιπτώσεις είναι πιθανόν να επηρεάσουν τις μελλοντικές περιφέρειες και ακόμη και να καθορίσουν εάν τα συστήματα γεωμηχανικής ενδέχεται να βλάψουν περισσότερο από το καλό. Η βελτίωση αυτών των μοντέλων σημαίνει καλύτερη λήψη αποφάσεων.
Εν τω μεταξύ, όσοι είναι πιο ευάλωτοι στην αλλαγή του κλίματος ζουν στα φτωχότερα έθνη , όπου οι κυβερνήσεις είναι λιγότερο ικανές να προσαρμοστούν και οι ακραίες καταιγίδες, οι ξηρασίες ή οι πλημμύρες είναι θανατηφόρες. Η εκμάθηση μηχανών μπορεί να χρησιμοποιηθεί για τη χαρτογράφηση ανεπίσημων οικισμών από δορυφορικά δεδομένα : το πρώτο βήμα στην αντιμετώπιση καταστροφών είναι να γνωρίζουμε πού ζουν πραγματικά οι άνθρωποι. Όταν επιτυγχάνονται κρίσεις, οι αλγόριθμοι μηχανικής μάθησης μπορούν να τράξουν μέσω της αεροφωτογραφίας, των δορυφορικών δεδομένων και ακόμη και των κοινωνικών μέσων μαζικής ενημέρωσης σε πραγματικό χρόνο, παρέχοντας πληροφορίες στους διασώστες για το πού είναι η πιο αναγκαία βοήθεια. Η αυτοματοποιημένη παρακολούθηση των κοινωνικών μέσων σε συνδυασμό με τη φυσική επεξεργασία των γλωσσών μπορεί να πει σωστούς όπου η παροχή νερού και τροφίμων είναι χαμηλή, ακόμη και όταν τα συμβατικά μέσα επικοινωνίας είναι αναξιόπιστα.
Στόχος είναι να χρησιμοποιηθεί η μηχανική μάθηση για να βοηθήσει και στην κοινωνική πλευρά της κλιματικής αλλαγής. Εργαλεία που σας επιτρέπουν να βελτιστοποιήσετε τη δική σας χρήση ενέργειας ή να παρακολουθείτε το αποτύπωμα άνθρακα μπορούν να βελτιωθούν με αλγόριθμους μηχανικής μάθησης. Το έργο του Yoshua Bengio στοχεύει στην ευαισθητοποίηση των ανθρώπων σε δράση με την απεικόνιση πιθανών μελλοντικών επιπτώσεων της αλλαγής του κλίματος με νευρικά δίκτυα που δημιουργούν εικόνες από πλημμυρισμένα σπίτια.

Πολλά εργαλεία για πολλές εργασίες

Η μηχανική μάθηση μπορεί ακόμη και να χρησιμοποιηθεί για να προσπαθήσει να μειώσει το αποτύπωμα άνθρακα της ... μηχανικής μάθησης. Η κατανάλωση ενέργειας από τις μονάδες GPU μπορεί να είναι τεράστια, ιδιαίτερα όταν τα εκτελείτε για να κάνετε εργασία άχρηστη ή περιττή λόγω σχεδιασμού . Η εκπαίδευση προχωρημένων νευρωνικών δικτύων έρχεται με δικό της αποτύπωμα άνθρακα . Αλλά, φυσικά, η εξοικονόμηση ενέργειας εξοικονομεί χρήματα και ωφελεί το περιβάλλον: αυτός είναι ο λόγος για τον οποίο η Google επιδιώκει να χρησιμοποιήσει τη μηχανική μάθηση για να μειώσει το ενεργειακό αποτύπωμα των κέντρων δεδομένων της, αλλάζοντας τις στρατηγικές λειτουργίας και τις τεχνικές ψύξης.
Με λίγα λόγια, οι δυνατότητες της μηχανικής μάθησης για βοήθεια στην αλλαγή του κλίματος είναι γύρω μας. Η επανάσταση της εκμάθησης μηχανών βασίζεται στην ιδέα ότι όσο περισσότερα δεδομένα συλλέγουμε και επεξεργαζόμαστε, τόσο περισσότερες στατιστικές σχέσεις καταλαβαίνουμε, τόσο καλύτερες αποφάσεις μπορούμε να κάνουμε. Η κλιματική επιστήμη εξαρτάται σε μεγάλο βαθμό από τα δεδομένα για το κλίμα: η προσαρμογή θα απαιτήσει πολιτικές προσαρμοσμένες στις μεμονωμένες αλλαγές που αναμένονται σε κάθε περιοχή. ο μετριασμός θα απαιτήσει βελτίωση της απόδοσης και των αλλαγών στη χρήση ενέργειας σε κάθε τομέα της κοινωνίας. Ο χρόνος είναι ώριμος για την ανάπτυξη μερικών από τα πιο προηγμένα και συναρπαστικά υπολογιστικά εργαλεία μας για να βοηθήσουμε στην επίλυση της εξαιρετικής πρόκλησης της εποχής μας.