气候变化是我们时代最紧迫的问题之一。尽管自20世纪80年代以来减少排放的紧迫性越来越大,但它们仍然不断地升起。我们期待技术将我们免于气候变化,最好不要牺牲经济增长。

我们的乐观有些人会说Techno-Utopian- 未来的涉及巨大的数组太阳能板,机器吸取二氧化碳退出大气,并用可再生方式产生的电力替换化石燃料,用电力产生。这不仅仅是重建我们在稳定的可持续基础上的文明。

与此同时,机器学习算法正在逐渐塑造社会:自动化行业,执行任务诊断疾病到送达广告,并扼杀人们进入不同的行为。那么AI如何帮助抵抗气候变化?

答案是“在很多方面”。正如应对气候变化涉及几乎所有部门——农业、交通、建筑、能源、工业、物流等等——所以机器学习解决方案可以找到自己的定位,帮助解决出现的数千个问题中的一些。这可以是通过建立更好的气候模型来提高我们对这个问题的理解,帮助企业和行业减少排放,帮助设计新技术,或帮助社会适应已经发生的变化。

现在,来自多个机构的研究人员 - 包括Coursera创始人Andrew Ng,谷歌John Platt的首席科学家,以及图灵奖获得者Yoshua Bengio发表一篇100页的研究论文概述最佳机器学习的一些领域以实现差异。

平衡网格

可再生能源领域就是一个典型的例子。太阳能和风能,在大多数地区,最便宜的发电建设,即使没有碳的价格。主要屏障是间歇性的:如何将这些电源与天气和季节性变化的电源集成到受人类需求驱动的网格上。有效地做到这一点使我们能够尽量减少我们燃烧的化石燃料量,但需要技巧预测供应和需求。

机器学习算法可以处理大量数据,从实时天气状况到污染信息,再到来自太阳能电池板附近地区的视频流,并能迅速将这些数据转化为对未来发电量的预测。除了预测之外,机器学习算法还可以负责“调度和调度”——决定哪些发电厂应该在任何给定时间运行,哪些可以关闭。

在未来,物联网技术可以为需求侧管理提供更大的灵活性:最电源密集的过程可以在供应峰时进行,避免浪费的能量和过量生产。运输电气化还将将本地存储选项添加到更复杂的网格中:电动汽车的大电池可用于动力你的家,以及第一批可以做到这一点的模型是即将到来的

网络网络,材料

在不确定性和来自数百万不同来源的数据流存在的情况下,控制这样一个供应、存储和需求网络是机器学习的一项工作。那些提供广告的算法已经使用了数学基础设施,比如强盗理论决定哪种行为可能最大化给定的奖励;他们可以很好地控制这个新的、更绿色的电网,如果奖励是减少排放,或使电力公司的利润最大化。

另一个可能受益于机器学习控制的网络是交通。减少不必要的行程或纾缓交通可有助减少污染。优步的算法在匹配乘客和司机方面已经非常出色,拼车是另一种减少交通排放的替代方法。随着自动驾驶汽车的日益普及,机器学习算法可以在考虑排放的情况下进行优化,帮助减少该行业的排放占四分之一二氧化碳排放量。

在研究和开发方面,机器学习越来越多地与基于物理的模型和实验数据相结合,以预测如何进行新材料将表现出。这可以通过预测哪个晶体结构具有最佳的光伏性能,帮助我们找到灵活,超高效的太阳能电池板或LED的材料;它可用于设计可以将废热恢复为有用的电力的热电材料;它可用于帮助找到那些负发射CO2-洗涤器的吸收材料。一个人甚至可以想象,有一天,选择,设计,制造和测试新晶体的整个过程都可以完全自动化,并受机器学习控制。

卫星和巴黎巡逻

巴黎协议是赋予减少排放的主要国际协议。但是,它是基于自愿目标和自我报告排放。在有会计师的情况下,不仅有许多碳会计方式,而且还有欺诈和欺骗的潜力:毕竟,大众汽车多年来有组织地在排放测试中作弊。如果可以远程监控排放,可能会出现更多的信任。

卫星数据,包括由于作为CO2监控卫星的新舰队由欧盟在本世纪20年代发起这将有助于各国对各自和集体的努力进行评估,并确定需要努力的关键领域。处理卫星数据,特别是需要特征识别的数据,是机器学习算法已经擅长的工作。通过水力压裂和其他技术来推动天然气生产,导致了甲烷管道泄漏,导致一种强效温室气体的浓度上升。但这些也可以被卫星发现。

这并不是所有的卫星数据都可以使用。我们对于气候如何应对人类影响的不确定性很大程度上是由于云,而云可以受到污染的影响复杂的方式。通过卫星云数据扫描的ML算法,将其与地面污染源相关联,可以帮助我们缩小这种不确定性,从而更好地限制全球温度的预测。

建模和适应

神经网络非常擅长编码微妙的多个变量之间的统计关系。这意味着它们可能用于以更加计算的有效方式代表物理过程,允许我们改善气候和天气模型,可能允许我们集成更多的现实数据和更好的对小尺度的过程的进程中的进程。楷模。这是至关重要的,因为我们依靠气候模型来了解哪些影响可能会影响未来哪些地区,甚至可以确定地理工程计划是否可能比良好更弊。改善这些模型意味着更好的决策。

与此同时,那些最容易受气候变化的人住在最贫穷的国家,政府最不可能适应和极端散热,干旱或洪水是致命的。机器学习可用于映射来自卫星数据的非正式定居点当前位置灾害反应的第一步是了解人们实际居住的地方。当危机来袭时,机器学习算法可以搜索航空摄影、卫星数据和甚至社交媒体上的帖子实时向救援人员提供最需要帮助的地方的信息。社交媒体的自动监控与自然语言处理相结合,可以告诉救援人员哪里的水和食物供应不足,即使在传统通讯手段不可靠的情况下。

旨在使用机器学习,帮助气候变化的社会方面。可以通过机器学习算法改善允许您优化自己的能源使用或跟踪碳足迹的工具。Yoshua Bengio的项目旨在将人们渗透到行动展望未来气候变化可能带来的影响用神经网络产生被淹没的房屋的图像。

多任务多工具

机器学习甚至可以用来减少机器学习的碳足迹。gpu的能量消耗可能是巨大的,特别是当你运行它们来做这些工作的时候无用或冗余的设计。培训先进的神经网络拥有自己的碳足迹。但是,当然,节省能源可以节省资金并受益于环境:这就是谷歌寻求使用机器学习的原因减少其数据中心的能源足迹通过改变操作策略和冷却技术。

简而言之,机器学习帮助气候变化的可能性都在我们身边。机器学习革命基于我们收集和过程的数据越多,我们理解的统计关系越多,我们可以做出更好的决定。气候科学受气候数据的大量驱动:适应需要针对每个地区预期的个人变化量身定制的政策;减缓需要改善效率和实际社会部门的能源使用的变化。部署我们一些最先进和令人兴奋的计算工具的时间成熟,以帮助解决我们年龄的突出挑战。

图像信用:男人作为thep./Shutterstock.com