Nonlinearly Coupled Permafrost Dynamics From Graph Neural Networks

تحت المياه الجليدية للمحيط المتجمد الشمالي، مختبئة تحت مئات الأمتار من الرواسب، يقبع إرث متجمد شاسع للماضي القريب للأرض. هذه هي التربة الصقيعية تحت البحرية، وهي طبقة من التربة كانت ذات يوم أرضاً جافة تعرضت للهواء المتجمد خلال العصور الجليدية الأخيرة، قبل أن تغمرها المياه مع ارتفاع مستويات سطح البحر. واليوم، تذوب هذه الأرض المتجمدة ببطء مع ارتفاع حرارة المحيط، وهي عملية تتضمن رقصة معقدة وغير مرئية من تدفق المياه عبر التربة، وانتقال الحرارة عبر الصخور، وذوبان الملح وهجرته، وذوبان الجليد وإعادة تشكله. إن فهم كيفية تغير هذه الطبقة المتجمدة على مدى آلاف السنين أمر بالغ الأهمية لأن انهيارها قد يؤدي إلى زعزعة استقرار قاع البحر، وتهديد البنية التحتية تحت الماء، وإطلاق غاز الميثان المحتبس في المحيط. ومع ذلك، كان محاكاة هذه التغييرات مهمة جسيمة للعلماء؛ فالقوانين الفيزيائية التي تحكم هذا النظام معقدة للغاية لدرجة أن تشغيل نموذج حاسوبي واحد للتنبؤ بمستقبل موقع واحد فقط قد يستغرق ساعات من قوة الحوسبة المكثفة، مما يجعل من المستحيل تقريباً تشغيل الآلاف من عمليات المحاكاة اللازمة لفهم النطاق الكامل للاحتمالات.

ولحل هذه العقبة، طور فريق من الباحثين في جامعة تكساس في أوستن نوعاً جديداً من الذكاء الاصطناعي يمكنه التنبؤ بسلوك هذه الأرض المتجمدة في جزء من الثانية. فبدلاً من حل المعادلات الفيزيائية المعقدة خطوة بخطوة مثل الآلة الحاسبة التقليدية، قاموا بتدريب نظام تعلم آلي لتعلم الأنماط التي تتغير بها الأرض بمرور الوقت. لقد غذوا الكمبيوتر بآلاف السير التاريخية المحاكاتية لقاع المحيط المتجمد الشمالي، والتي تغطي فترة زمنية قدرها 400,000 عام، لكي يتعلم كيف تتطور الضغوط ودرجات الحرارة وتركيز الملح ومحتوى الجليد معاً. والنتيجة هي بديل رقمي، نسخة سريعة من العالم الحقيقي، يمكنها التنبؤ بالحالة المستقبلية للتربة الصقيعية بدقة مذهلة. وفي اختباراتهم، تمكن هذا النظام الجديد من إعادة إنتاج السلوك التفصيلي للأرض المتجمدة، مطابِقاً عمليات المحاكاة الفيزيائية البطيئة والدقيقة بشكل شبه مثالي، بينما يعمل بسرعة تفوقها بآلاف المرات.

بنى الباحثون هذه الأداة باستخدام نوع من الشبكات العصبية المصممة لفهم العلاقات بين النقاط المتجاورة، تماماً مثل كيفية انتقال الحرارة والمياه من طبقة تربة إلى الطبقة التالية. وقد أطلقوا على نظامهم اسم PermaCycleGNS. ولتدريبه، استخدموا بيانات من محاكي فيزيائي عالي الدقة يسمى PermaCycle، وهو المعيار الذهبي الحالي لنمذجة هذه البيئات. يستغرق المحاكي الفيزيائي ساعات لتشغيل سيناريو واحد لأنه يجب عليه حساب التفاعلات بين الماء والحرارة والملح عند كل خطوة زمنية صغيرة. وفي المقابل، يتعلم نموذج الذكاء الاصطناعي الجديد "قواعد" هذه التفاعلات من بيانات المحاكي الفيزيائي ثم يطبقها فوراً. اختبر الفريق الذكاء الاصطناعي في نوعين مختلفين من التحديات: أولاً، طلبوا منه التنبؤ بسيناريوهات مشابهة لتلك التي رآها أثناء التدريب، للتحقق جوهرياً مما إذا كان بإمكانه الاستكمال بين الأمثلة المعروفة. ثانياً، دفعوا به إلى أقصى الحدود، بطلب التنبؤ بسيناريوهات عند الحواف القصوى للظروف الممكنة، حيث كانت المعايير مختلفة عما رآه من قبل.

أظهرت النت النتائج أن الذكاء الاصطناعي ليس مجرد حاسبة سريعة بل هو متنبئ قوي. ففي حالات الاختبار القياسية، كانت تنبؤات الذكاء الاصطناعي للضغط ودرجة الحرارة ومستويات الملح قريبة جداً من نتائج المحاكي الفيزيائي، مع أخطاء صغيرة جداً لدرجة يصعب قياسها. وكان الجزء الأصعب في التنبؤ هو كمية الجليد في التربة، لأن الجليد يتشكل ويذوب في نوبات مفاجئة وحادة بدلاً من التغيرات الناعمة. وحتى هنا، كان أداء الذكاء الاصطناعي جيداً، حيث نجح في التقاط توقيت وعمق أحداث التجمد والذوبان. وعندما اختبر الباحثون النموذج في السيناريوهات القصوى غير المرئية، ظل دقيقاً، مما أظهر أنه تعلم حقاً الفيزياء الكامنة وراء البيانات بدلاً من مجرد حفظ بيانات التدريب. وكانت معدلات الخطأ في هذه الحالات الصعبة والقصوى أعلى قليلاً من الحالات القياسية، مما يثبت أن النموذج يمكنه التعامل مع النطاق الكامل للظروف التي قد يفرضها القطب الشمالي.

كان مفتاح هذا النجاح هو تقنية تدريب محددة استخدمها الباحثون لتعليم الذكاء الاصطناعي كيفية التعامل مع أخطائه الخاصة. فعادةً، عندما يتنبأ الكمبيوتر بتسلسل من الأحداث، يمكن لخطأ صغير في البداية أن يكبر ويكبر مع تقدم الوقت، مما يؤدي في النهاية إلى إفساد التنبؤ. لقد درب الباحثون الذكاء الاصطناعي على النظر للأمام عدة خطوات في وقت واحد، مما أجبره على تعلم كيفية تصحيح تنبؤاته المنحرفة قبل أن تصبح كبيرة جداً. هذه الطريقة، المعروفة باسم "المنهج الدراسي" (curriculum)، حسنت بشكل كبير قدرة النموذج على تتبع التغيرات الحادة في تشبع الجليد. وبدون هذه التقنية، كانت دقة النموذج فيما يتعلق بالجليد ستكون أقل بكثير. ومعها، استطاع الذكاء الاصطناعي الحفاظ على صورة واضحة لحالة الأرض المتجمدة طوال الجدول الزمني البالغ 400,000 عام، مطابِقاً مخرجات المحاكي الفيزيائي بخطأ معياري يقل عن واحد من ألف.

إن الفرق في السرعة بين الطريقة القديمة والطريقة الجديدة مذهل. فبينما يستغرق المحاكي الفيزيائي التقليدي حوالي خمس ساعات لتشغيل محاكاة واحدة على معالج كمبيوتر قياسي، يمكن لنموذج الذكاء الاصطناعي الجديد إكمال نفس التنبؤ لمدة 400,000 عام في ثوانٍ معدودة على بطاقة رسومات قوية. وإذا قام الباحثون بتشغيل العديد من عمليات المحاكاة في وقت واحد، عبر تجميعها للعمل بالتوازي، يصبح تسريع السرعة أكثر دراماتيكية، ليصل إلى ما يقرب من 200,000 ضعف أسرع من الطريقة التقليدية. هذا القفزة في السرعة تغير ما هو ممكن للعلماء؛ فبدلاً من تشغيل حفنة من عمليات المحاكاة للحصول على فكرة تقريبية عما قد يحدث، يمكنهم الآن تشغيل الآلاف أو حتى الملايين من عمليات المحاكاة لاستكشاف كل تباين ممكن للمناخ والتربة وظروف المحيط. وهذا يسمح لهم بإجراء دراسات حساسية مفصلة، وفهم أي العوامل هي الأكثر أهمية بالضبط، وتحديد مدى عدم اليقين في تنبؤاتهم بمستوى من التفصيل كان مستحيلاً في السابق.

يقر الباحثون بأن نموذجهم الحالي يقتصر على شريحة أحادية البعد من قاع البحر، والتي تمثل عموداً رأسياً واحداً من التربة. إن قيعان البحار في العالم الحقيقي هي مناظر طبيعية معقدة ثلاثية الأبعاد، والخطوة التالية ستكون توسيع هذه التكنولوجيا لتغطية تلك المساحات الأكبر. كما يشيرون إلى أن نموذجهم يفترض حالياً أن الأرض لا تحتوي على غاز حر، وهو شرط قد يلزم إضافته في نسخ مستقبلية لمطابقة جميع سيناريوهات العالم الحقيقي. ورغم هذه القيود، فإن العمل يثبت أن البنية المستخدمة لهذا النموذج مرنة بما يكفي لتطبيقها على أنظمة الأرض المعقدة الأخرى التي تحكمها قوانين فيزيائية مماثلة. إن القدرة على استبدال عمليات المحاكاة الفيزيائية البطيئة والمكلفة ببدائل تعلم آلي سريعة ودقيقة تفتح الباب أمام عصر جديد لعلوم الأرض، حيث يمكن للباحثين طرح أسئلة أعمق حول ماضي كوكبنا ومستقبله دون أن يعيقهم حدود القدرة الحوسبية. لم تعد الأرض المتجمدة تحت القطب الشمالي مجرد لغز يجب حله ببطء؛ بل أصبحت نظاماً يمكن استكشافه الآن في الوقت الفعلي، مما يوفر رؤية أوضح للتغيرات القادمة.