AnswersPublished16 sources
AI kan varsle simulerede vippepunkter – men ikke bevise, hvornår klimaet tipper
Modellen lærte systemernes udvikling ud fra dynamik før et vippepunkt og brugte usikkerhedsbaserede forudsigelser til at lede efter kommende skift. Forsøgene omfattede en forenklet klimamodel og simulationer af turbulent luftstrøm omkring en flyvinge.
Udgivet afRedigeret med GPT-6 LunaBilleder genereret med GPT Image 2
Research answer
Key takeaways
- Modellen lærte systemernes udvikling ud fra dynamik før et vippepunkt og brugte usikkerhedsbaserede forudsigelser til at lede efter kommende skift.
- Forsøgene omfattede en forenklet klimamodel og simulationer af turbulent luftstrøm omkring en flyvinge.
- Et omtalt resultat på cirka 11 dages afvigelse stammer fra en simulation – ikke fra en forudsigelse af et faktisk klimavippepunkt.
AI Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: How did researchers from Caltech, the University of Colorado Boulder and NVIDIA develop and test the recurrent neural operator (RNO) describ. Article summary: The available evidence supports the study’s central idea: a recurrent neural operator (RNO) learns a system’s evolution from pre-tipping-point data and uses an uncertainty-based approach to detect future abrupt transitio. Topic tags: general, education, academic, general web, government. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermark
Kan kunstig intelligens opdage, at et system nærmer sig et pludseligt og måske irreversibelt skift? En gruppe forskere med tilknytning til Caltech, University of Colorado Boulder og NVIDIA har undersøgt spørgsmålet med en model kaldet en recurrent neural operator (RNO). Deres metode blev afprøvet på simulationer, ikke på observationer af virkelige klimavippepunkter.3
6
Det centrale greb var at træne modellen på systemets udvikling før et vippepunkt – uden at give den eksempler på selve overgangen. Derefter brugte forskerne en metode baseret på usikkerhed til at vurdere, om et fremtidigt skift kunne være på vej.3 Det gør resultaterne interessante som et muligt skridt mod tidlig varsling, men de dokumenterer ikke, at AI allerede kan forudsige et reelt vippepunkt i Jordens klima.
Hvad modellen blev testet på
Studiet demonstrerede metoden i forenklede modeller, blandt andet et klimasystem og turbulent luftstrøm over en flyvinge.1
3 Klimascenariet handler om muligheden for, at lave skyer mindskes, når koncentrationen af drivhusgasser stiger. Forskerne beskriver et drastisk fald i skydækket som et muligt klimatisk vippepunkt.
4
En sekundær omtale af arbejdet fortæller, at modellen forudsagde en tærskel i en klimamodel mere end to år i forvejen med en afvigelse på omkring 11 dage.11 De tilgængelige uddrag fra den primære forskningskilde præciserer ikke, hvordan afvigelsen er beregnet, eller om tallet gælder én kørsel eller et samlet resultat. Det bør derfor læses som et rapporteret resultat fra en simulation – ikke som en garanti for samme varslingstid eller præcision i virkeligheden.
Hvad betyder “recurrent neural operator”?
Studiet beskriver vippepunkter som pludselige og ofte irreversible ændringer i ikke-stationære, dynamiske systemer. Et ikke-stationært system ændrer sig over tid, så de mønstre, der beskriver det, ikke nødvendigvis forbliver de samme. RNO-modellen lærer sammenhænge mellem funktionsrum – matematiske beskrivelser af systemer, der udvikler sig – og modellerer, hvordan systemerne ændrer sig.3
Forskerne brugte en conformal prediction-ramme til at lave forudsigelser med tilhørende usikkerhed.3 Med andre ord er modellen ikke kun sat til at genkende et skift, efter at det er sket; den bruger mønstre fra tiden før skiftet til at vurdere, om en overgang kan nærme sig.
De tilgængelige kilder forklarer ikke i tilstrækkelig detalje, hvordan modellens tilbagevendende hukommelse er implementeret. De dokumenterer heller ikke særskilt et alarmsystem, der kontrollerer, om forudsigelser bryder med indlærte fysiske regler. Sådanne egenskaber kan derfor ikke udledes af modellens navn alene.
Lovende sammenligninger – med forbehold
En tidligere udgave af studiet sammenlignede RNO med Markov neural operators og tilbagevendende neurale netværk (RNN). I den beskrevne sammenligning fastholdt RNO bedre ydeevne ved længere forudsigelseshorisonter. Det er ikke det samme som dokumentation for, at modellen klarer sig bedre end alle andre metoder i alle situationer.34
Den vigtigste begrænsning er stadig, at forsøgene foregik i kontrollerede simulationer. De viser, at metoden kan afprøves som et tidligt varslingsværktøj i modeller af systemer, der ændrer sig over tid.3 De viser ikke, hvor pålideligt den vil fungere på virkelige observationer, hvor systemerne ikke nødvendigvis følger simulationernes forudsætninger.
1
3
For klimarisikovurderinger er forskellen afgørende: Et lovende resultat i en computermodel er et skridt mod bedre varsling – ikke bevis for, at et virkeligt klimavippepunkt kan forudsiges med samme forspring eller præcision.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "AI kan varsle simulerede vippepunkter – men ikke bevise, hvornår klimaet tipper"?
Modellen lærte systemernes udvikling ud fra dynamik før et vippepunkt og brugte usikkerhedsbaserede forudsigelser til at lede efter kommende skift.
What are the key points to validate first?
Modellen lærte systemernes udvikling ud fra dynamik før et vippepunkt og brugte usikkerhedsbaserede forudsigelser til at lede efter kommende skift. Forsøgene omfattede en forenklet klimamodel og simulationer af turbulent luftstrøm omkring en flyvinge.
What should I do next in practice?
Et omtalt resultat på cirka 11 dages afvigelse stammer fra en simulation – ikke fra en forudsigelse af et faktisk klimavippepunkt.
Sources
ar5iv.labs.arxiv.org[2308.08794] Tipping Point Forecasting in Non-Stationary ...
arxiv.orgTipping Point Forecasting in Non-Stationary Dynamics on Function ...
caltech.eduForecasting Tipping Points with AI
sfp.caltech.edu[PDF] 2023 Abstract Book - Student-Faculty Programs
earth.comwww.earth.com · science · ai-can-predict-whenAI can predict when climate systems will reach a tipping point