Watafiti wa MIT wamepata mafanikio makubwa katika uundaji wa mifumo ya hali ya hewa kwa kuunda zana ya AI inayoweza kutabiri matukio ya hali ya hewa ya kupindukia ambayo hayajawahi kutokea hapo awali. Tofauti na mifumo ya kizamani inayotegemea majanga ya zamani kutabiri yajayo, mfumo huu mpya unaweza kuchora ramani za majanga yanayowezekana kistatistiki ambayo hayajawahi kutokea katika eneo fulani.
Kuvunja Utegemezi wa Data za Kihistoria
Mifumo mingi ya kisasa ya utabiri wa hali ya hewa na kanuni za machine learning inakabiliwa na kikwazo kikubwa: ni mifumo inayotazama "nyuma." Inahitaji seti kubwa za data za matukio ya zamani—kama vile mafuriko, dhoruba, au mawimbi ya joto yaliyopita—ili kutambua mifumo na kutabiri hatari za baadaye. Hili linakuwa tatizo kubwa katika enzi ya mabadiliko ya tabianchi, ambapo mabadiliko ya joto duniani yanazalisha matukio ya hali ya hewa ya "black swan" yanayopingana na kanuni za kihistoria.
Iliyoendelezwa na mwanafunzi wa uzamili wa uhandisi wa mitambo Kai Chang na Profesa Themis Sapsis, zana ya MIT inapinga utegemezi huu. Badala ya kuuliza "Ni nini kimeshatokea hapa hapo awali?", mfumo huu unachunguza fizikia ya msingi na uwezekano wa kistatistiki ili kujibu, "Ni nini kinachoweza kutokea hapa kulingana na hali ya sasa ya anga?" Hii inaruhusu AI kutengeneza ramani za utabiri kwa ajili ya matukio makubwa yasiyojulikana ambayo yapo ndani ya uwezekano wa kistatistiki lakini hayapo katika historia iliyorekodiwa ya eneo fulani.
Kuchora Ramani ya "Inayowezekana Kistatistiki"
Ubunifu wa kiufundi upo katika uwezo wa mfumo huu wa kutoa ramani zenye ubora wa juu za matukio yanayoweza kutokea. Ramani hizi hazisemi tu kwamba janga linaweza kutokea; bali zinatoa picha za kina za kijiografia zinazoonyesha wapi na jinsi tukio hilo linavyoweza kutokea.
Muhimu zaidi, zana hii pia inatoa makadirio ya kutokuwa na uhakika (uncertainty estimates) kwa kila ramani. Kwa kukadiria kiwango cha uaminifu katika utabiri wake, AI inatoa tabaka la kina la tathmini ya hatari. Tofauti hii ni muhimu kwa wahudumu wa dharura na wapangaji wa miji ambao wanahitaji kujua si tu athari zinazoweza kutokea, bali pia uaminifu wa utabiri wenyewe. Uwezo huu unageuza uwezekano wa kinadharia kuwa kipimo cha hatari kinachoweza kutumika.
Kwa Nini Hili ni Muhimu kwa Mustakabali wa Ustahimilivu wa Tabianchi
Athari zake katika uwanja mpana wa AI na sayansi ya tabianchi ni kubwa. Kadiri mabadiliko ya tabianchi yanavyozidi kuongezeka, "rekodi ya kihistoria" inakuwa mwongozo usioaminika kwa ajili ya maandalizi ya baadaye. Mifumo ya kawaida ya machine learning inarisk kukumbwa na matukio ya "out-of-distribution"—matukio ambayo yako nje ya upeo wa data iliyotumika kufundisha mfumo.
Mbinu ya MIT inabadilisha mfumo kutoka kwenye ulinganishaji wa mifumo (pattern matching) kwenda kwenye uundaji wa mifumo inayozingatia fizikia na uwezekano (probabilistic physics-informed modeling). Kwa watengenezaji katika sekta ya teknolojia ya tabianchi (climate-tech) na waanzilishi wanaojenga miundombinu ya ustahimilivu, hii inawakilisha hatua kuelekea AI imara zaidi inayoweza kuhimili mabadiliko ya baadaye. Kwa kujiandaa kwa "matukio yasiyojulikana," jamii inaweza kutoka katika hali ya kuitikia matukio baada ya kutokea (reactive) na kuelekea katika hali ya kuzuia (proactive), ikibuni miji na itifaki za dharura kwa ajili ya hali ya hewa ya kesho, badala ya hali ya hewa ya jana.
Mambo Muhimu ya Kuzingatia
- Zaidi ya Historia: AI iliyoendelezwa na MIT inaweza kutabiri matukio ya hali ya hewa ya kupindukia ambayo hayajawahi kutokea katika rekodi ya kihistoria ya eneo fulani.
- Kuchora Ramani ya Uwezekano: Zana hii inatengeneza ramani za kina za kijiografia za majanga yanayoweza kutokea zikiambatana na makadirio maalum ya kutokuwa na uhakika kwa kila utabiri.
- Utayari wa Mabadiliko ya Tabianchi: Teknolojia hii inatatua pengo muhimu katika mifumo ya sasa ya ML, ikiruhusu maandalizi bora dhidi ya matukio ya hali ya hewa ya "black swan" yanayosababishwa na mabadiliko ya tabianchi.
Kwa Nini utabiri wa kawaida hukwama
Mifumo mingi ya utabiri wa hali ya hewa na mbinu nyingi za machine learning ni za "kutazama nyuma." Zinahitaji kumbukumbu kubwa za mafuriko, dhoruba, mawimbi ya joto na kadhalika za zamani ili kujifunza mifumo na kutabiri hatari za baadaye. Katika ulimwengu ambapo joto la dunia linabadilika kwa kasi kuliko rekodi za kihistoria zinavyoweza kunasa, utegemezi huo unakuwa mzigo. Mabadiliko ya tabianchi yanazalisha matukio ya "black-swan"—dhoruba, ukame au ongezeko la joto ambalo liko nje ya upeo wa uchunguzi wa zamani. Wakati mfumo haujawahi kuona tukio linalolingana na hilo, matokeo yake yanaweza kuwa na makosa makubwa au, mbaya zaidi, kutotoa taarifa kabisa.
Mbadala unaozingatia fizikia
Mfumo wa MIT unageuza swali hili kinyume chake. Badala ya kuuliza “nini kimekuwahi kutokea hapa hapo awali?” unachambua fizikia ya msingi inayochochea mwendo wa angahewa—uhifadhi wa masi, momentum, nishati—na kuunganisha milinganyo hiyo na mbinu za kitakwimu zinazochunguza mfululizo mpana wa matokeo yanayoweza kutokea. Kwa kuunganisha AI na fizikia, modeli hii inaweza kuzalisha matukio yanayowezekana hata wakati kumbukumbu za kihistoria hazitoi mwongozo wowote.
Mtazamo huu ni “physics-informed” kwa sababu mtandao wa neva (neural network) unadhibitiwa na milinganyo ile ile inayotawala hali halisi ya hewa. Hii inazuia AI kubuni hali ambazo haiwezekani kifizikia, tatizo ambalo linaweza kuikabili modeli zinazotegemea data pekee zinapozidi upeo wa mafunzo yake. Matokeo yake ni seti ya utabiri ambayo inabaki ndani ya uwezekano wa kitakwimu huku ikirejelea asili ya machafuko ya mfumo wa hali ya hewa.
Kuchora ramani ya “uwezekano wa kitakwimu”
Matokeo yanayoonekana zaidi ni seti ya ramani zenye azimio la juu (high-resolution) zinazoonyesha wapi tukio kali linaweza kutokea na linaweza kuwa zito kiasi gani. Kila ramani imeambatana na makadirio ya kutokuwa na uhakika (uncertainty estimate) ambayo hupima kiwango cha imani katika utabiri huo. Kwa wahudumu wa dharura, wapangaji wa miji, na watengenezaji wa miundombinu, tabaka hilo la ziada ni muhimu: makadirio ya kutokuwa na uhakika pia huwasaidia watumiaji kuzingatia faida na hasara. Eneo fulani linaweza kuona uwezekano mdogo wa dhoruba kali adimu, lakini kiwango cha uhakika (confidence interval) kinaweza kuwa pana, kikionyesha kuwa data zaidi au ufuatiliaji zaidi unahitajika kabla ya kutenga rasilimali. Kinyume chake, kanda nyembamba ya uhakika karibu na tukio lenye uwezekano mkubwa inaweza kuhalalisha hatua za haraka za kupunguza madhara, kama vile kuimarisha kuta za kuzuia mafuriko au kurekebisha njia za uokoaji.
Athari kwa ustahimilivu wa hali ya hewa
Ikiwa kifaa hiki kitatimiza ahadi yake, kinaweza kubadilisha maandalizi ya hali ya hewa kutoka katika hali ya kuitikia matukio yaliyotokea (reactive) kwenda katika hali ya kuzuia mapema (proactive). Watengenezaji wa suluhisho za teknolojia ya hali ya hewa (climate-tech), maafisa wa manispaa, na mashirika ya usimamizi wa majanga watajipatia njia ya kupanga kwa ajili ya yale “yasiyojulikana hapo awali” badala ya yale “yaliyorekodiwa.” Hiyo inaweza kutafsiriwa kuwa maamuzi bora zaidi ya upangaji wa maeneo, ugawaji wa bajeti za dharura wenye lengo mahususi, na miundombinu inayoweza kuhimili aina mbalimbali za hali mbaya.
Jumuiya pana za AI na sayansi ya hali ya hewa pia zitafaidika. Kwa kuonyesha kwamba modeli zinazoongozwa na fizikia zinaweza kuvuka mipaka ya data za zamani, kazi ya MIT inapinga utegemezi uliopo wa kutumia utambuzi wa mifumo (pattern-matching) pekee. Inapendekeza njia kuelekea mifumo ya AI ambayo inabaki imara kadiri hali ya hewa yenyewe inavyobadilika.
Maswali ya wazi na mapungufu
Utegemezi wa mfumo huu kwenye fizikia haufuti wasiwasi wote. Kuhakiki utabiri wa matukio ambayo hayajawahi kutokea ni vigumu kiasili; tathmini yoyote lazima itegemee mifano inayofanana, majaribio ya bandia, au simulizi za muda mrefu za hali ya hewa. Wakosoaji wanaweza kudai kwamba asili ya uwezekano (probabilistic nature) ya matokeo inaweza kutafsiriwa vibaya kama uhakika, hasa inapowasilishwa kwa wadau wasio na ujuzi wa kiufundi.
Nini cha kufuatilia baadaye
Muhtasari: Kwa kuunganisha akili mnemba (AI) na sheria za fizikia, wahandisi wa MIT wamefungua njia ya kutabiri hali mbaya za hewa ambazo ziko nje ya kumbukumbu za kihistoria, wakitoa ramani za hatari zenye azimio la juu na zinazozingatia kutokuwa na uhakika, ambazo zinaweza kubadilisha jinsi jamii zinavyojiandaa kwa hali ya hewa inayobadilika.