تیمی از پژوهشگران آلمانی در مطالعات خود دریافتند که هوش مصنوعی و یادگیری عمیق نقش مهمی در شکلگیری آینده دنیای علم و بهویژه تفسیر اطلاعات زیستمحیطی و مسائل مرتبط با کره زمین ایفا میکند.
به گزارش زیست آنلاین، نتایج مطالعات جدید تیمی مشترک از پژوهشگران دانشگاههای ینا (Jena) و هامبورگ که امروز در مجله Nature منتشر شد، نشان میدهد که هوش مصنوعی میتواند بهطور قابلتوجهی فهم انسان را از شرایط زیستمحیطی و سیستمهای کره زمین؛ افزایش دهد. یافتههای محققان نشانگر این مسئله است که یادگیری عمیق بهطور خاص بسیاری از حوزههای علم و دانش را در بر میگیرد. فرایندهای پویا و پیچیدهای مانند طوفان، گسترش آتشسوزیهای رخداده در مناطق طبیعی و دینامیک گیاهان ازجمله مواردی محسوب میشوند که میتوانند با کمک هوش مصنوعی بهطور بهتری توصیف شوند.
درنتیجه، مدلهای پیشین سیستمهای آبوهوایی و زمین، با مدلهای جدید مرکب از هوش مصنوعی و مدلسازی فیزیکی بهبود پیداکرده و این موارد بر زندگی انسان تأثیر مستقیمی خواهد داشت.در دهههای گذشته عمدتاً ویژگیهای استاتیک با استفاده از روشهای یادگیری ماشینی از قبیل توزیع خواص خاک از سطح محلی به مقیاس جهانی موردبررسی قرارگرفته است. برای برخی از این موارد، با بهرهگیری از تکنیکهای یادگیری عمیق، میتوان با فرآیندهای پویای بیشتری روبرو شد. بهعنوانمثال این فناوری میتواند فرایند فتوسنتز جهانی در زمین را با در نظر گرفتن همزمان تغییرات فصلی و کوتاهمدت تعیین کند.
استنباط قوانین اساسی از اطلاعات و دادههای مشاهدهشده مارکوس ریچ اشتاین (Markus Reichstein)، مدیرعامل موسسه بیوگرافی شیمی ماکس پلانک در دانشگاه ینا و رئیس هیئتمدیره و عضو مرکز مایکل اسمیتل دانشگاه ینا (MSCJ) و نویسنده ارشد این پژوهش درباره نقش هوش مصنوعی و یادگیری عمیق در آینده دنیای علم میگوید: امروزه با استفاده از طیف وسیعی از حسگرها، اطلاعات بسیار زیاد و ارزشمندی از دادههای سیستم زمین بهدستآمده است، اما دانش ما تاکنون برای تجزیهوتحلیل و تفسیر این اطلاعات کافی نبوده و در حقیقت قدرت تفسیر ما از فرایند دریافت اطلاعات، عقبمانده است.
یواخیم دنزلر (Joachim Denzler) نویسنده دیگر این تحقیقات و پژوهشگر گروه بینش کامپیوتری فردریش شیلر دانشگاه ینا در این رابطه تأکید کرد: این موضوع همان نقطهای است که تکنیکهای یادگیری عمیق تبدیل به یک ابزار امیدوارکننده، بسیار مؤثر و فراتر از برنامههای کاربردی آموزش کلاسیک ماشینی مانند تشخیص تصاویر، پردازش زبان طبیعی و یا AlphaGo، میشوند.
مثالهای دیگری برای کاربرد فناوری هوش مصنوعی در توسعه علم و خدمت به محیطزیست، عبارتاند از وقایع شدید و سوانح طبیعی مانند گسترش آتش و یا طوفانها که معمولاً فرآیندهای بسیار پیچیدهای هستند و تحت تأثیر شرایط محلی و همچنین زمینههای زمانی و فضایی خود قرار میگیرند. هوش مصنوعی همچنین در مورد حملونقل، مطالعه حرکات اتمسفر و اقیانوس، حرکت خاک و پویش گیاهی و برخی از موضوعات کلاسیک مرتبط با دانش زمینشناسی است.
هوش مصنوعی، آینده علم را تغییر میدهدباید در نظر داشت که روشهای یادگیری عمیق، علیرغم تمام نکات مثبت ذکرشده، دشوار است. تمام دادهها و رویکردهای آماری موجود، هماهنگی فیزیکی آنها را تضمین نمیکنند. این فناوری بهشدت وابسته به کیفیت دادهها است و ممکن است با برداشتهای اضافی و دادههای بیمورد، فرایند تحلیل توسط هوش مصنوعی مشکل پیدا کند. علاوه بر این، نیاز به پردازش اطلاعات و ظرفیت ذخیرهسازی در فناوریهای یادگیری عمیق و هوش مصنوعی بسیار بالا است. این مقاله علمی تمام این الزامات و موانع را موردبحث قرار داده و استراتژیهای مرتبط با آن را بررسی میکند تا بهطور مؤثری بتوان ادغام آموزش ماشینی را با مدلسازی فیزیکی ترکیب کرد. اگر هر دو تکنیک باهم جمع شوند، بهاصطلاح مدلهای ترکیبی ایجاد میشوند. برای مثال، این مدلهای ترکیبی میتوانند برای مدلسازی حرکت آب اقیانوس و پیشبینی دمای سطح آب دریا استفاده شوند. درحالیکه درجه حرارت از لحاظ فیزیکی مدلسازی شده است، جنبش آب اقیانوس با یک روش یادگیری ماشینی نمایش داده میشود. مارکوس ریچ اشتاین در این رابطه میگوید: ایده بهکاررفته برای دستیابی به فناوری فوقالذکر، این است که بهترین ترکیب و هماهنگی مدلهای فیزیکی و فنآوری یادگیری ماشینی را به دست آورده و مدلهای موجود را بهبود ببخشیم.
دانشمندان معتقدند که تشخیص و پیشگیری از وقوع حوادث شدید و پیشبینی فصلی و بلندمدت آبوهوا و شرایط آبوهوایی بهشدت به روشهای یادگیری عمیق و مدلسازی ترکیبی وابسته خواهند بود.
هوش مصنوعی در خدمت حفظ منابع آبمحققان کانادایی نرم افزاری بر اساس هوش مصنوعی ابداع کرده اند که می تواند به حفاظت از منابع آب کمک کند. به گزارش ایرنا از پایگاه اینترنتی یورک الرت، این نرم افزار می تواند انواع مختلف ساینوباکتری ها یا جلبک های آبی-سبز را شناسایی و مقدار انها را تعیین کند. تکثیر ناگهانی این جلبک ها می تواند سیستم های آب را مسدود کند. هدف نهایی محققان این است که در آینده به یک سیستم هوش مصنوعی دست یابند که جریان آب را از طریق یک میکروسکوپ به طور مستمر کنترل کند و در پی شناسایی طیف گسترده ای از آلاینده ها و میکروارگانیسم ها باشد.
نظارت هوشمصنوعی بر محیط زیستمیکروارگانیسمها نقش مهمی در محیطزیست دارند و تنوع آنها نشاندهنده سلامت محیط میباشد؛ اما شناسایی میکروارگانیسمها بسیار سخت است. محققان مدلهایی ایجاد کردهاند که قادر به تشخیص میزان سلامت اکوسیستمها در مقیاس بزرگ میباشند. همچنین این مدلها میتوانند گونههایی که مهمترین فعالیتها را انجام میدهند نیز شناسایی کنند.
این روش جدید نه تنها قابلیت نظارت بر اکوسیستمهای بزرگ را افزایش میدهد؛ بلکه زمان مورد نیاز برنامههای بیومانیتورینگ برای آنالیز داده را نیز به صورت قابلتوجهی کاهش میدهد. با نظارت بر اکوسیستم و پیبردن به وضعیت سلامت آن، میتوان مقدار فشار قابلتحمل برای محیط که از طرف انسان به آن وارد میشود را محاسبه کرد. گونههایی از میکروارگانیسمها که به تغییرات محیط اطراف خود حساس هستند را به عنوان مشخصکننده، استفاده میکنند.
پروفسور Jan Pawowski میگوید : “این روش تشخیص مورفولوژیکی نیاز به زمان و تخصص بسیاری دارد. یک سال پیش، ما توانستیم جدولی برای تعیین کیفیت آب تنها بر اساس DNA جلبکهای تکسلولی موجود در نمونهها به وجود آوریم؛ بدون اینکه نیاز باشد همه گونهها را شناسایی کنیم.”
ابزار ژنومیکی این امکان را به ما میدهند تا بسیار سریع و دقیق جوامع بیولوژیکی ساکن محیطزیست را شناسایی کنیم. هرچند نمیتوانیم از مقدار زیادی داده برای تشخیص سلامت محیط استفاده کنیم؛ چراکه تنها اطلاعات تعداد کمی از DNAها در پایگاه دادهها موجود است. پس بقیه گونههای موجود DNA، همراه با نقش اکولوژیکیشان، ناشناس باقی میمانند.
برای اینکه تمام دادههای ژنومیکی که از محیط بهدست میآیند قابل استفاده شوند، محققان از یک ماشین با قابلیت یادگیری الگوریتم استفاده میکنند. زیستشناسان از نمونههای مختلف اکولوژیکی استفاده کردند و آنها را دستهبندی کردند. استفاده از این اطلاعات به آنها این اجازه را داد تا برای هر نمونه یک سیستم مرجع به دست آورند.
ترکیب این دو فناوری به ما این امکان را میدهد تا ارزش اکولوژی رشتههای DNA را بدون نیاز به شناسایی آن به دست آوریم. گونههای مختلف میکروارگانیسمها که فعالیتهای مهم را انجام میدهند نیز، میتوان از این طریق شناسایی کرد. این تحقیقات به نوعی به تحقیقات بر روی میکروبیوم انسانها شباهت دارد؛ هر دو قصد دارند تا جوامع میکروبیال را شناسایی کنند و بیومارکرها را که ابزاری قدرتمند برای تشخیص آلودگی محیط یا مریضی انسان هستند، کشف کنند.