Er AI vores nye orakel, som forudser, hvor hurtigt isen smelter?

Vi forskere holder et vågent øje med isen i Grønland og Arktis, for selvom der er meget is, ved du sikkert allerede, at isen smelter hurtigere og hurtigere.

Det skyldes den globale opvarmning, som både den seneste IPCC-rapport fra FN's klimapanel og beregninger fra GEUS understreger.

Men hvor hurtigt smelter isen, og hvor meget smeltevand bliver egentlig produceret? Det ved vi ikke med sikkerhed.

De modeller, vi bruger til at forudsige, hvor meget is der vil være i fremtiden, og hvor hurtigt den vil forsvinde, er langsomme, komplekse og uenige om omfanget af ​​afsmeltningen, som du kan se på figuren herunder.

Derfor arbejder vi nu på et nyt projekt for at udvikle AI-modeller, der kan skabe hurtigere og mere præcise udregninger af, hvor meget is og smeltevand der er i fremtiden.

Ude af balance

Grønlands indlandsis ændrer sig hele tiden. Man kan sammenligne det med en bankkonto: Penge kommer ind forskellige steder fra, og så strømmer de ud igen andre steder.

Og ligesom beløbet på en bankkonto kan ismassen på den grønlandske indlandsis stige og falde.

Iskappen vokser ved overfladen, når det sner, men den bliver tyndet ud og trækker sig tilbage, når overfladen smelter.

Fagordet ’Massebalancen for overfladen’ beskriver kun denne stigning og fald af sne og is ved overfladen.

Sne falder det meste af året på den grønlandske indlandsis, men i sommermånederne, hvor temperaturerne er høje (nogle gange 0 grader i midten af ​​Indlandsisen og over 10 grader ved randen af iskappen), smelter overfladen i lavere højder, og vandet kan løbe ned ad Indlandsisen.

I den ideelle verden ville vinterens masseforøgelse svare til sommerens tab af masse (penge ud fra og penge ind på bankkontoen).

Men som følge af den globale opvarmning svarer stigningen i overflademasse om vinteren ikke til det øgede tab af overflademasse om sommeren.

Vores forudsigelser er blevet mere og mere præcise

Klimaforskere observerer i øjeblikket fysiske fænomener som smeltende is og forsøger at beskrive udviklingen med ligninger, som computere kan løse.

Denne tilgang kaldes 'numerisk modellering'.

Modeller skaber et groft gitter, og hvert punkt i gitteret skal repræsentere, hvad der sker på en lokation på Indlandsisen og i det nærliggende område.

Modeller fungerer godt, hvis gitteret er meget finmasket, men jo mere finmasket gitteret er, desto længere er beregningstiden.

Beregningskraften er blevet bedre de seneste årtier, og derfor er modellernes rumlige opløsning (=hvor fint gitteret er) forbedret.

I figuren nedenfor kan du se et eksempel på, hvordan vores modeller er blevet forbedret over tid.

Beregningskraften kommer snart til kort

Vil vi have pålidelige forudsigelser for massebalancen på overfladen af Indlandsisen, så kræver det en så fin opløsning, at kun ekstremt kraftige computere kan udregne ligningerne, eller vi skal bruge flere år på at køre modellerne.

Så kraftige computere har vi ikke, og så meget tid har vi heller ikke. Men hvor skal vi lede efter nye løsninger?

AI udvikler sig hastigt disse år og bliver i dag brugt blandt andet som sprogmodeller (som ChatGPT) til at generere billeder (Dall-E) og indenfor lægevidenskab og maskinteori.

AI-modeller har også vakt klimaforskernes interesse – blandt andet vores.

I klimamodellering kan AI-modeller nemlig bruges til at lave et skøn for, hvad de numeriske modeller vil forudsige, bare uden at skulle løse komplekse fysiske ligninger.

På den måde vil vi være i stand til at lave nye forudsigelser til en brøkdel af de nuværende udgifter for beregningerne, som dette studie peger på.

Her lykkedes det forskere at lave øjeblikkelige forudsigelser med AI, mens den numeriske model brugte flere uger på at lave sine forudsigelser på en supercomputer.

Hvor meget hurtigere, vi kan lave beregningerne, afhænger dog af den specifikke applikation, men det, der virkelig er tidskrævende i AI, er træningen af ​​modellen, som også afhænger meget af den tilgængelige hardware.

Fremskynder processen

I vores projekter udvikler vi AI-modeller designet til at efterligne de numeriske modellers forudsigelser.

En enkelt simulering fra en af ​​de nuværende standardmodeller producerer kun én forudsigelse, hvorfor vi har begrænset viden om pålideligheden af ​​denne forudsigelse.

Fordi vi kan køre en AI-model langt hurtigere end en numerisk model, kan vi i på samme tid lave mange forudsigelser i stedet for blot én.

Med de mange output produceret af AI-modellen får vi en række mulige forudsigelser, som vi kan analysere sammen og få et mere præcist billede af, hvor sandsynlige forudsigelserne er.

Sådan får man en AI-model til at efterligne de gamle modeller (bare hurtigere)

AI-modeller kan laves på mange måder, og hver enkelt af dem kan også bygges på forskellige måder med forskellige 'strukturer'.

Det er derfor, ChatGPT ikke er den samme model som Photoshop-assistent, telefonens aflæsning af fingeraftryk eller dens kamerasystem - og heller ikke den samme som vores model. Det er forskellige AI-modeller med hver deres respektive styrke.

Så før vi kan bruge AI-modellerne til at lave forudsigelser, skal vi lære dem, præcis hvordan de skal efterligne de numeriske modeller.

Det gør vi ved at give AI-modellen de eksisterende forudsigelser fra de numeriske modeller, så den lærer, hvordan outputtet skal se ud, når den får et bestemt input.

Vi kalder det træning af AI-modellen.

For at vi kan stole på AI-modellen, skal vi træne modellen med en masse data.

Det kan være vanskeligt at indsamle nok data til at træne en model, især når disse data kommer fra en numerisk model, der er meget langsom at køre til at starte med.

Men når AI-modellen er ordentligt trænet, behøver vi ikke at køre de numeriske modeller igen.

AI-modeller er kun så gode som deres træningsdata

En af de største udfordringer ved AI-modeller er, at modellerne kun er så gode som de data, de er blevet trænet på.

Selvom vi sigter mod at efterligne de numeriske modeller korrekt, kan de måske ikke afbilde den virkelige verden perfekt og pålideligt forudsige fremtiden.

Det så vi også i den første figur i artiklen, hvor modellerne har meget forskellige forudsigelser for istabet - selv for den nuværende iskappe.

Det betyder, at vi går på kompromis, når vi kører de numeriske modeller, hvilket betyder, at vi ikke fanger de allermindste detalje af, hvad der foregår på overfladen af ​​Indlandsisen.

Og fordi vi bruger outputtet fra de numeriske modeller til at træne AI-modellen, går udfordringen i arv til AI’en.

Vi kender ikke fremtiden - og det gør AI heller ikke

Et andet aspekt af denne udfordring er, at vi aldrig helt kan vide, hvad fremtiden vil bringe.

Hvis der er grundlæggende ændringer i Indlandsisen i fremtiden, har vi måske ikke inkluderet det i vores ligninger endnu, fordi det er ekstremt svært at forudsige.

Såkaldte 'tipping points' (et begreb, der betegner, at en proces er eskaleret og kan passere en grænse, hvorefter den ikke kan stoppes eller vendes, red.) er et godt eksempel på drastiske ændringer i systemet.

Denne artikel giver et godt overblik over forskellige mulige tipping points, og den beskriver også begivenheder, der engang blev foreslået som tipping points, men som nu ikke længere betragtes som sådan.

Fordi de traditionelle numeriske modeller bruger ligningerne, kan de muligvis ikke fange disse fremtidige ændringer korrekt.

Og fordi AI-modellerne er trænet på de numeriske modellers output, repræsenterer både de numeriske modeller og AI muligvis ikke den fremtidige virkelige verden perfekt.

Denne udfordring er ikke unik for AI, der bruges til at forudsige smeltende is eller klimaforandringer. Det er tilfældet med alle AI-modeller: De er kun så gode som de data, de er trænet i.

Det betyder dog ikke, at vi ikke kan bruge AI til at lave forudsigelser, for som før nævnt kan AI-modeller producere forudsigelser både meget hurtigere og i langt større antal.

Det giver os mulighed for at sammenligne forudsigelser, beregne usikkerheder og dermed få et bedre billede af, hvad fremtiden har i vente for vores iskapper.