Hybrid machine learning data assimilation for marine biogeochemistry
تُظهر هذه الدراسة أن دمج تعلم الآلة في استيعاب البيانات للكيمياء الحيوية البحرية يحسن بشكل كبير من تحديث المتغيرات غير المرصودة، ويقدم مساراً فعالاً من الناحية الحسابية للتغلب على القيود الحالية في أنظمة التنبؤ التشغيلية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل المحيط كمطبخ عملاق غير مرئي، حيث يقوم طهاة صغار (العوالق) بطهي الحياة باستمرار. لفهم ما يحدث في هذا المطبخ — كمية الطعام التي يتم صنعها، أو كيف تتغير درجة الحرارة، أو ما إذا كانت خزانة المؤن بدأت تنفد من المكونات — يستخدم العلماء نماذج حاسوبية معقدة. هذه النماذج تشبه كتب الوصفات التي تحاول التنبؤ بمستقبل النظام البيئي للمحيط. ولكن تكمن المشكلة هنا: المحيط ضخم للغاية، ولا يمكننا إلا إلقاء نظرة خاطفة بداخله في نقاط محددة فقط باستخدام الأقمار الصناعية أو السفن. الأمر يشبه محاولة تخمين مذاق حساء ضخم عن طريق تذوق ملعقة واحدة فقط من الأعلى.
ولإصلاح ذلك، يستخدم العلماء تقنية تسمى "استيعاب البيانات" (Data Assimilation). فكر في الأمر كطاهٍ مساعد ذكي يتذوق باستمرار الملعقة التي يمكننا رؤيتها، ثم يعدل القدر بأكمله ليتناسب مع ذلك المذاق. إذا كانت الملعقة مالحة، يفترض الطاهي أن القدر بأكمله يحتاج إلى المزيد من الملح. ومع ذلك، فإن المكونات في المحيط مخادعة؛ فنحن نستطيع بسهء رؤية "الشيء الأخضر" (الكلوروفيل) من الفضاء، لكن لا يمكننا بسهولة رؤية المغذيات غير المرئية مثل النترات، أو الحيوانات الدقيقة (العوالق الحيوانية) التي تأكل هذا الشيء الأخضر. الطرق التقليدية غالبًا ما تعاني في تخمين كيف يجب أن تتغير المكونات غير المرية بناءً على المكونات المرئية، مما يؤدي إلى حساء مذاقه غير مضبوط. وهنا يأتي سؤال اليوم: هل يمكننا تعليم الكمبيوتر أن يكون طاهيًا مساعدًا أفضل، طاهٍ يفهم الوصفات السرية التي تربط الشيء الأخضر المرئي بالمغذيات غير المرئية؟
هذه الورقة البحثية، التي تحمل عنوان "استيعاب البيانات الهجين لتعلم الآلة في الكيمياء الحيوية البحرية"، تتناول هذا التحدي بالضبط. أراد المؤلفون، وهم فريق من الباحثين من المملكة المتحدة وأوروبا، معرفة ما إذا كان تعلم الآلة (ML) — وهو نوع من الذكاء الاصطناعي الذي يتعلم من الأنماط — يمكن أن يساعد نماذج المحيط في تقديم تخمينات أفضل. فبدلاً من مجرد تحديث الشيء الأخضر الذي يمكنهم رؤيته، أرادوا من الذكاء الاصطناعي أن يتعلم كيفية تحديث المكونات غير المرئية أيضًا، مثل النترات والفوسفات وأنواع مختلفة من العوالق.
لاختبار ذلك، أعد الفريق محاكاة رقمية للمحيط في القناة الإنجليزية. لقد أنشأوا "محيطًا افتراضيًا" واقعيًا بنسبة 100% من حيث الفيزياء، ولكنه استخدم بيانات مصطنعة لتدريب ذكائهم الاصطناعي. وقارنوا بين ثلاث طرق لتعديل النموذج:
- الطريقة القديمة (أحادية المتغير): تحديث الشيء الأخضر (الكلوروفيل) فقط وترك بقية الحساء كما هو.
- طريقة "المعيار الذهبي" (مرشح كالمان التجميعي): وهي طريقة مكلفة جدًا وتتطلب قدرات حوسبة هائلة، حيث تقوم بتشغيل مئات عمليات المحاكاة في وقت واحد لتخمين الروابط. إنها تعمل بشكل رائع، لكنها بطيئة للغاية ومكلفة للغاية للتشغيل يوميًا للتوقعات في العالم الحقيقي.
- طريقة الذكاء الاصطناعي الجديدة (الهجين): استخدام برنامج حاسوبي ذكي لتعلم الروابط بين الشيء الأخضر والمغذيات غير المرئية، ثم استخدام تلك المعرفة لتحديث النموذج بسرعة.
جرب الباحثون خدعتين محددتين للذكاء الاصطناعي. الأولى، وتسمى ML-OI، علمت الذكاء الاصطناعي التنبؤ بـ العلاقة (الارتباط) بين الشيء الأخضر والمغذيات. على سبيل المثال: "عندما يرتفع الشيء الأخضر، عادة ما ينخفض النترات". أما الخدعة الثانية، ML-EtE، فكانت أكثر مباشرة: فقد علمت الذكاء الاصطناعي أن ينظر إلى الحالة الحالية للمحيط والشيء الأخضر، ثم ببساطة يتنبأ بالمقدار الدقيق للتغيير المطلوب للمغذيات، محاكيًا بذلك طريقة "المعيار الذهبي" المكلفة دون الحاجة لتشغيل المحاكاة المكلفة فعليًا.
كانت النتائج واعدة للغاية. عندما تم اختبار الذكاء الاصطناعي في الموقع الذي تم تدريبه فيه (نقطة تسمى L4)، فقد قام بعمل رائع. لقد تعلم الرقصة المعقدة وغير الخطية بين المواسم، وازدهار العوالق، والمغذيات. في الواقع، حسنت طرق الذكاء الاصطناعي دقة توقعات المغذيات بنسبة تتراوح بين 8% إلى 12% مقارنة بالطريقة القديمة التي لم تقم بتحديث المغذيات على الإطلاق. وهذا أمر بالغ الأهمية لأن هذا يعني أن النموذج يمكنه الآن "رؤية" المكونات غير المرئية بشكل أفضل بكثير، فقط من خلال النظر إلى الشيء الأخضر. كان الذكاء الاصطناعي جيدًا بشكل خاص في رصد توقيت ازدهار الربيع، وهو الوقت الذي تتغير فيه كيمياء المحيط بسرعة.
ومع ذلك، فإن القصة ليست حكاية خرافية مثالية. فقد اختبر الباحثون أيضًا ما إذا كان بإمكان هذا الذكاء الاصطناعي العمل في جزء مختلف من المحيط (نقطة تسمى CWEC) لم يره من قبل. وهنا، كانت النتائج مختلطة. فقد عانت طريقة الذكاء الاصطناعي "المعيار الذهبي" (ML-EtE) في التكيف مع الموقع الجديد، والسبب في ذلك هو أنها حفظت "نكهة" الموقع الأول بدقة شديدة. أما طريقة الذكاء الاصطناعي الأخرى (ML-OI)، التي تعلمت العلاقات العامة بدلاً من الأرقام المحددة، فقد كانت أفضل في نقل معرفتها، لكنها لا تزال تواجه صعوبة مع بعض المكونات، وتحديدًا العوالق الحيوانية. لم يستطع الذكاء الاصطناعي فهم كيفية تحديثها بشكل صحيح في أي من الموقعين، مما يشير إلى أن هذه الكائنات الدقيقة لا تزال غير متوقعة بالنسبة للذكاء الاصطنا الحالي.
يخلص المؤلفون إلى أنه بينما يوفر تعلم الآلة مسارًا واضحًا لجعل توقعات المحيط أسرع وأكثر دقة — مما يحل مشكلة كون طرق "المعيار الذهبي" مكلفة للغاية للتشغيل يوميًا — إلا أنه ليس عصا سحرية بعد. فالذكاء الاصطناي يعمل جيدًا عندما يتصرف المحيط بشكل مشابه للمكان الذي تم تدريبه فيه، وهو بحاجة إلى مزيد من العمل للتعامل مع الأجزاء الأكثر تعقيدًا في النظام البيئي، مثل الحيوانات الدقيقة. وتقترح الورقة أنه في المستقبل، يمكننا تدريب نماذج الذكاء الاصطناعي هذه على "غابة" من شرائح المحيط أحادية البعد لتغطية المحيط ثلاثي الأبعاد بالكامل، ولكن في الوقت الحالي، تثبت هذه الدراسة أن الذكال الاصطناعي يمكنه بنجاح تعلم الوصفات السرية للمحيط، مما يجعل طهاتنا المساعدين الرقميين أكثر ذكاءً بكثير.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.