Onderzoekers ontwikkelen kunstmatige intelligentie die kantelpunten van klimaatverandering kan beoordelen. Het deep learning-algoritme kan fungeren als een systeem voor vroegtijdige waarschuwing tegen op hol geslagen klimaatverandering.

Chris Bauch, hoogleraar toegepaste wiskunde aan de Universiteit van Waterloo, is co-auteur van een recent onderzoeksrapport over de resultaten van het nieuwe deep-learning-algoritme. Het onderzoek kijkt naar drempels waarboven snelle of onomkeerbare veranderingen plaatsvinden in een systeem, zei Bauch. "We ontdekten dat het nieuwe algoritme niet alleen in staat was om de omslagpunten nauwkeuriger te voorspellen dan bestaande benaderingen, maar ook om informatie te verstrekken over welk type toestand voorbij het omslagpunt ligt, " zei Bauch. "Veel van deze kantelpunten zijn ongewenst, en we willen ze graag voorkomen als we kunnen."

Enkele omslagpunten die vaak worden geassocieerd met op hol geslagen klimaatverandering zijn onder meer smeltende Arctische permafrost, die massale hoeveelheden methaan zouden kunnen vrijgeven en verdere snelle verwarming zouden kunnen stimuleren; afbraak van oceanische stroomsystemen, wat zou kunnen leiden tot bijna onmiddellijke veranderingen in weerpatronen; of het uiteenvallen van de ijskap, die kunnen leiden tot een snelle verandering van de zeespiegel.

De innovatieve aanpak met deze AI, volgens de onderzoekers is dat het is geprogrammeerd om niet alleen over één type kantelpunt te leren, maar ook over de kenmerken van kantelpunten in het algemeen.

De aanpak haalt zijn kracht uit het hybridiseren van AI en wiskundige theorieën over kantelpunten, meer bereiken dan beide methoden op zichzelf zouden kunnen. Na de AI te hebben getraind in wat zij karakteriseren als een "universum van mogelijke omslagpunten", waaronder zo'n 500, 000 modellen, de onderzoekers testten het op specifieke real-world kantelpunten in verschillende systemen, inclusief historische klimaatkernmonsters.

"Onze verbeterde methode zou rode vlaggen kunnen oproepen wanneer we dicht bij een gevaarlijk kantelpunt zijn, " zei Timothy Lenton, directeur van het Global Systems Institute aan de Universiteit van Exeter en een van de co-auteurs van de studie. "Het bieden van een betere vroegtijdige waarschuwing voor klimaatomslagpunten kan samenlevingen helpen zich aan te passen en hun kwetsbaarheid voor wat komen gaat te verminderen, zelfs als ze het niet kunnen vermijden."

Deep learning maakt enorme vooruitgang in patroonherkenning en classificatie, waarbij de onderzoekers, Voor de eerste keer, omslagpuntdetectie omgezet in een patroonherkenningsprobleem. Dit wordt gedaan om te proberen de patronen te detecteren die optreden vóór een omslagpunt en een machine learning-algoritme te krijgen om te zeggen of er een omslagpunt komt.

"Mensen zijn bekend met kantelpunten in klimaatsystemen, maar er zijn kantelpunten in ecologie en epidemiologie en zelfs op de aandelenmarkten, " zei Thomas Bury, een postdoctoraal onderzoeker aan de McGill University en een andere co-auteur van het artikel. "Wat we hebben geleerd, is dat AI heel goed is in het detecteren van kenmerken van kantelpunten die veel voorkomen in een breed scala aan complexe systemen."

Het nieuwe deep learning-algoritme is een "game-changer voor het vermogen om te anticiperen op grote verschuivingen, inclusief die in verband met klimaatverandering, " zei Madhur Anand, een andere van de onderzoekers van het project en directeur van het Guelph Institute for Environmental Research.

Nu hun AI heeft geleerd hoe kantelpunten werken, het team werkt aan de volgende fase, dat is om het de gegevens te geven voor hedendaagse trends in klimaatverandering. Maar Anand gaf een waarschuwend woord over wat er kan gebeuren met zulke kennis.

"Het geeft ons zeker een voorsprong, "zei ze. "Maar natuurlijk, het is aan de mensheid in termen van wat we met deze kennis doen. Ik hoop alleen dat deze nieuwe bevindingen zullen leiden tot billijke, positieve verandering."

De paper "Deep learning voor vroege waarschuwingssignalen van kantelpunten, " door Bauch, Lenton, Begraven, Anand en co-auteurs R.I. Sujith, Induja Pavithran, en Marten Scheffer, werd gepubliceerd in het tijdschrift Proceedings van de National Academy of Sciences ( PNAS ).