Написано Томасом Хорниголдом, аспирантом факультета физики климата Оксфордского университета, внештатным научным писателем и подкастером

Изменение климата - одна из самых актуальных проблем современности. Несмотря на растущий глобальный консенсус в отношении неотложности сокращения выбросов с 1980-х годов, они продолжают неуклонно расти. Мы надеемся, что технологии избавят нас от изменения климата, желательно без ущерба для экономического роста.

Наши оптимистические - некоторые сказали бы, техно-утопические - видения будущего включают огромные массивы солнечных панелей, машин, которые высасывают углекислый газ обратно из атмосферы, и замену ископаемого топлива для транспорта и отопления электричеством. генерируется возобновляемыми источниками. Это не что иное, как восстановление нашей цивилизации на стабильной и устойчивой основе.

Между тем, общество все чаще формируется с помощью алгоритмов машинного обучения: автоматизация занятий, выполнение задач - от диагностики заболеваний до подачи рекламы и побуждения людей к разному поведению. Итак, как ИИ может помочь в борьбе с изменением климата?

«Во многом» - вот ответ. Точно так же, как борьба с изменением климата затрагивает практически все секторы - сельское хозяйство, транспорт, архитектуру, энергетику, промышленность, логистику и многие другие, - поэтому решения машинного обучения могут найти свою нишу, чтобы помочь решить некоторые из тысяч возникающих проблем. Это может варьироваться от улучшения нашего понимания проблемы за счет создания более совершенных климатических моделей, помощи предприятиям и отраслям в сокращении выбросов, помощи в разработке новых технологий или помощи обществу в адаптации к изменениям, которые уже происходят.

Теперь команда исследователей из нескольких организаций, в том числе основатель Coursera Эндрю Нг, главный научный сотрудник Google Джон Платт и обладатель премии Тьюринга Йошуа Бенжио, опубликовали 100-страничный исследовательский документ, в котором очерчены некоторые области, в которых машинное обучение лучше всего. -установлен, чтобы иметь значение.

Балансировка сетки

Классический пример - возобновляемая энергия. Солнечная и ветровая энергия сейчас в большинстве регионов - это самый дешевый способ производства электроэнергии, даже без платы за углерод. Основным препятствием является непостоянство: как интегрировать эти источники энергии, которые меняются в зависимости от погоды и сезона, в сеть, управляемую человеческими потребностями. Делая это эффективно, мы можем минимизировать количество сжигаемого ископаемого топлива, но для этого требуются навыки прогнозирования спроса и предложения.

Алгоритмы машинного обучения могут обрабатывать огромные объемы данных, от погодных условий в реальном времени до информации о загрязнении и видеопотоков из областей рядом с солнечными панелями, и могут быстро преобразовывать их в прогнозы количества генерируемой энергии. Однако, помимо прогнозов, алгоритмы машинного обучения могут отвечать за «планирование и диспетчеризацию» - определение, какие электростанции должны работать в любой момент времени, а какие могут быть отключены.

В будущем технологии Интернета вещей могут обеспечить большую гибкость для управления спросом: наиболее энергоемкие процессы могут происходить при пиках предложения, что позволяет избежать потерь энергии и перепроизводства. Электрификация транспорта также добавит возможности локального хранения в эту более сложную сеть: большие батареи электромобилей можно будет использовать для питания вашего дома, и первые модели, которые могут это сделать, скоро появятся.

Сети для сетей, материалы

Управление такой сетью предложения, хранения и спроса в условиях неопределенности и потоков данных из миллионов различных источников - задача машинного обучения. Такие алгоритмы, как те, которые обслуживают рекламу, уже используют математическую инфраструктуру, такую ​​как теория бандитов, чтобы решить, какое действие может максимизировать данное вознаграждение; они могут быть хорошо адаптированы для управления этой новой, более зеленой сетью, если эта награда сводится к минимуму выбросов или максимизации прибыли для электроэнергетической компании.

Еще одна сеть, которая может извлечь выгоду из управления машинным обучением, - это транспорт. Сокращение количества ненужных поездок или уменьшение дорожного движения может помочь уменьшить загрязнение окружающей среды. Алгоритмы Uber уже отлично подходят для подбора пассажиров и водителей, и совместное использование поездок - еще один альтернативный способ сокращения выбросов от транспорта. Поскольку автономные транспортные средства становятся все более распространенными, алгоритмы машинного обучения могут оптимизировать с учетом выбросов и помочь сократить сектор, на который приходится четверть выбросов углекислого газа.

Что касается исследований и разработок, машинное обучение все чаще сочетается с физическими моделями и экспериментальными данными, чтобы предсказать, как новые материалы будут вести себя. Это может помочь нам найти материалы для гибких, сверхэффективных солнечных панелей или светодиодов, предсказав, какие кристаллические структуры будут иметь лучшие фотоэлектрические свойства; его можно использовать для создания термоэлектрических материалов, которые могут превращать отработанное тепло обратно в полезное электричество; и его можно использовать для поиска абсорбирующих материалов для скрубберов с отрицательным выбросом CO2. Можно даже представить, что когда-нибудь весь процесс выбора, проектирования, изготовления и тестирования нового кристалла можно будет полностью автоматизировать и контролировать с помощью машинного обучения.

Спутники и патрулирование Парижа

Парижское соглашение превозносится как главное международное соглашение по сокращению выбросов. Однако он основан на добровольных целях и самооценке выбросов. Существует не только столько способов учета выбросов углерода, сколько бухгалтеров, но также существует вероятность мошенничества и обмана: в конце концов, Volkswagen систематически обманывает тесты на выбросы в течение многих лет. Больше доверия могло бы возникнуть, если бы за выбросами можно было наблюдать удаленно.

Спутниковые данные, включая новый парк спутников для мониторинга CO2, который должен быть запущен ЕС в 2020-х годах, могут позволить проводить независимые измерения CO2, помогая странам подвести итоги своих индивидуальных и коллективных усилий и определить ключевые области работать на. Обработка спутниковых данных, особенно там, где требуется распознавание функций, - это работа, в которой алгоритмы машинного обучения уже преуспевают. Стремление к добыче природного газа с помощью гидроразрыва и других технологий привело к утечкам из метановых труб, что привело к увеличению концентрации мощного парникового газа. Но их тоже можно заметить со спутников.

Это не все спутниковые данные. Большая часть нашей неуверенности в том, как климат отреагировал на влияние человека, связана с облаками, на которые загрязнение может влиять сложным образом. Алгоритмы машинного обучения, которые просматривают данные спутниковых облаков, коррелируя их с источниками загрязнения на земле, могут помочь нам сузить эту неопределенность и, следовательно, лучше ограничить прогнозы глобальной температуры.

Моделирование и адаптация

Нейронные сети очень хорошо кодируют тонкие статистические отношения между несколькими переменными. Это означает, что они потенциально могут использоваться для представления физических процессов более эффективным с вычислительной точки зрения способом, позволяя нам улучшать климатические и погодные модели, потенциально позволяя нам интегрировать в них больше реальных данных и более качественное представление процессов, которые происходят в небольших масштабах. модели. Это очень важно, поскольку мы полагаемся на климатические модели, чтобы понять, какие воздействия могут повлиять на какие регионы в будущем, и даже определить, могут ли схемы геоинженерии принести больше вреда, чем пользы. Улучшение этих моделей означает лучшее принятие решений.

Между тем, наиболее уязвимые к изменению климата живут в беднейших странах, где правительства меньше всего способны адаптироваться, а экстремальные волны тепла, засухи или наводнения смертельны. Машинное обучение можно использовать для картирования неформальных поселений по спутниковым данным: первый шаг в реагировании на стихийные бедствия - это знать, где на самом деле живут люди. Когда наступает кризис, алгоритмы машинного обучения могут анализировать аэрофотосъемку, спутниковые данные и даже сообщения в социальных сетях в режиме реального времени, предоставляя спасателям информацию о том, где больше всего нужна помощь. Автоматический мониторинг социальных сетей в сочетании с обработкой естественного языка может сказать спасателям, где запасы воды и еды недостаточны, даже если обычные средства связи ненадежны.

Есть цели использовать машинное обучение, чтобы помочь в социальной стороне изменения климата. Инструменты, которые позволяют оптимизировать собственное потребление энергии или отслеживать углеродный след, можно улучшить с помощью алгоритмов машинного обучения. Проект Йошуа Бенжио направлен на то, чтобы побудить людей к действию путем визуализации возможных будущих последствий изменения климата с помощью нейронных сетей, которые генерируют изображения затопленных домов.

Множество инструментов для множества задач

Машинное обучение можно даже использовать, чтобы попытаться уменьшить углеродный след… машинного обучения. Энергопотребление графических процессоров может быть огромным, особенно когда вы запускаете их для выполнения работы, которая бесполезна или избыточна по конструкции. Обучение продвинутых нейронных сетей имеет собственный углеродный след. Но, конечно, экономия энергии экономит деньги, а также приносит пользу окружающей среде: вот почему Google стремится использовать машинное обучение, чтобы уменьшить энергетический след своих центров обработки данных, изменяя операционную стратегию и методы охлаждения.

Короче говоря, возможности машинного обучения в борьбе с изменением климата есть повсюду. Революция машинного обучения основана на идее, что чем больше данных мы собираем и обрабатываем, тем больше статистических взаимосвязей мы понимаем, тем более правильные решения мы можем принимать. Климатология в значительной степени опирается на климатические данные: для адаптации потребуется политика, учитывающая индивидуальные изменения, ожидаемые в каждом регионе; смягчение последствий потребует повышения эффективности и изменений в использовании энергии практически в каждом секторе общества. Пришло время развернуть некоторые из наших самых передовых и захватывающих вычислительных инструментов, которые помогут решить выдающуюся задачу нашего времени.

Первоначально размещено здесь.

Первоначально опубликовано на https://digitalagenda.io.