ШІ може передбачати критичні зміни клімату за роки до їх настання Штучний інтелект навчився завчасно визначати наближення так званих кліматичних точок неповернення — моментів, після яких природні системи можуть зазнати різких і практично незворотних змін. В одному з комп’ютерних кліматичних експериментів алгоритм спрогнозував критичний перехід більш ніж за два роки до його настання, помилившись приблизно на 11 днів. Розробку представила міжнародна команда дослідників із Каліфорнійського технологічного інституту (Caltech), Університету Колорадо в Боулдері та компанії NVIDIA. Науковці також перевірили метод на моделі аеродинаміки, щоб з’ясувати, чи здатен він передбачати різкі зміни в різних фізичних системах. Водночас ідеться поки що про результати моделювання, а не про готову систему, яка вже може точно визначати дату небезпечних змін у реальному кліматі Землі. Коли природна система наближається до точки неповернення Кліматичні переломні моменти, або tipping points, виникають тоді, коли поступові зміни призводять до різкого переходу системи в інший стан. Після такого переходу повернути її до попереднього стану може бути надзвичайно складно або взагалі неможливо. Серед потенційно небезпечних прикладів — дестабілізація великих льодовикових щитів, порушення океанічної циркуляції та можливе раптове зникнення великих масивів низьких хмар над океанами. Проблема полягає в тому, що зовнішні ознаки наближення такого переходу можуть бути непомітними. Система здатна змінюватися поступово, а потім раптово перейти критичний поріг. Якщо науковці зможуть вчасно розпізнавати такі процеси, це дасть більше часу для оцінювання ризиків і підготовки до можливих наслідків. Чому звичайні алгоритми можуть помилятися Багато моделей машинного навчання навчаються на даних, припускаючи, що закономірності, які діяли раніше, зберігатимуться й надалі. Такий підхід часто ефективний для прогнозування короткострокових процесів, але може виявитися недостатнім, коли сама система поступово змінюється. Клімат — саме такий складний випадок. Зростання концентрації вуглекислого газу, зміни температури та інші чинники можуть впливати на поведінку природних систем. Тому алгоритму недостатньо просто знайти закономірності в минулих даних: він має враховувати, як змінюється сама динаміка процесу. Дослідники вирішили цю проблему за допомогою спеціальної нейромережевої архітектури, яка здатна враховувати попередні стани системи та відстежувати їхню еволюцію. Нейромережа, яка запам’ятовує зміни Розробка має назву recurrent neural operator (RNO) — рекурентний нейронний оператор. Це модель штучного інтелекту, призначена для аналізу складних фізичних процесів, зокрема руху повітря та води. Її особливість полягає в тому, що вона враховує не лише поточний стан системи, а й те, як цей стан змінювався з часом. Алгоритм навчають на даних, отриманих до критичного переходу, щоб він міг розпізнати момент, коли звична поведінка системи починає відхилятися від попередніх закономірностей. У тестах дослідники порівняли RNO з іншими моделями штучного інтелекту. За їхніми результатами, новий підхід краще передбачав майбутні зміни, особливо на довших часових горизонтах. Що показав експеримент із хмарами над океаном Одним із головних випробувань стала комп’ютерна модель шаруватих купчастих хмар — stratocumulus, які вкривають великі ділянки океану. Ці хмари відбивають частину сонячного випромінювання назад у космос і таким чином сприяють охолодженню планети. Деякі кліматичні моделі припускають, що за достатньо високої концентрації вуглекислого газу такі хмарні системи можуть різко змінитися або зникнути. Це потенційно посилило б глобальне потепління, оскільки поверхня океану отримувала б більше сонячної енергії. Дослідники навчили RNO на змодельованих даних, які описували поведінку хмарної системи до критичного переходу. Алгоритм спрогнозував момент її різкої зміни більш ніж за два роки до події, а розбіжність із фактичним моментом у симуляції становила близько 11 днів. Такий результат демонструє потенціал методу, однак його не слід сприймати як доказ того, що вчені вже можуть із такою точністю передбачати зникнення хмар у реальній атмосфері. Комп’ютерна модель відтворює певний сценарій, тоді як справжня кліматична система значно складніша й залежить від багатьох взаємопов’язаних чинників. Від клімату до авіації Другим випробуванням стала модель аеродинамічного зриву — явища, за якого потік повітря відривається від поверхні крила літака, а підйомна сила різко зменшується. Такий перехід може відбуватися після поступової зміни кута атаки крила. На думку авторів роботи, здатність моделі виявляти наближення подібних різких змін може бути корисною для аеродинамічних розрахунків і проєктування літальних апаратів. У перспективі цей підхід можна буде перевірити й на інших складних системах — від екосистем до поширення захворювань. Проте кожен із таких напрямів потребуватиме окремого навчання, випробувань і підтвердження точності прогнозів. Чи стане це новою системою кліматичного попередження? Дослідження створює основу для розробки інструментів, які допомагатимуть науковцям раніше помічати ознаки наближення переломних моментів. Якщо метод підтвердить ефективність на реальних спостереженнях і різних типах кліматичних систем, він може стати додатковим інструментом оцінювання екологічних ризиків. Роботу опубліковано в журналі Proceedings of the National Academy of Sciences (PNAS). Її головний результат — не точний календар майбутніх кліматичних катастроф, а демонстрація того, що штучний інтелект потенційно здатен виявляти небезпечні зміни в поведінці складних систем задовго до того, як вони стануть очевидними.