Derin öğrenme, buzun nasıl oluştuğunu neredeyse mükemmel bir şekilde tahmin edebilir
Araştırmacılar, atmosferde buz kristallerinin nasıl oluştuğunu her zamankinden daha hassas bir şekilde modellemek için derin öğrenmeyi kullandılar. PNAS’ta bu hafta yayınlanan makaleleri, hava ve iklim tahminlerinin doğruluğunu önemli ölçüde artırma potansiyeline işaret ediyor.
Araştırmacılar, atomların ve moleküllerin nasıl davrandığını tahmin etmek için derin öğrenmeyi kullandılar. İlk olarak, modeller, atomlardaki elektronların nasıl etkileştiğini tahmin etmelerine yardımcı olmak için 64 su molekülünün küçük ölçekli simülasyonları üzerinde eğitildi. Modeller daha sonra bu etkileşimleri daha fazla atom ve molekülle daha büyük bir ölçekte kopyaladı. Takımın fiziksel ve kimyasal davranışı doğru bir şekilde tahmin etmesine izin veren elektron etkileşimlerini tam olarak simüle etme yeteneğidir.
Princeton Üniversitesi’nde araştırma görevlisi ve çalışmanın baş yazarı Pablo Piaggi, “Maddenin özellikleri elektronların nasıl davrandığından ortaya çıkıyor” diyor. “Bu seviyede ne olduğunu açıkça simüle etmek, çok daha zengin fiziksel fenomenleri yakalamanın bir yoludur.”
Bu yöntem, buz çekirdeklenmesi olarak da bilinen buz kristallerinin oluşumu gibi karmaşık bir şeyi modellemek için ilk kez kullanılıyor. Bu, tüm yağışların geldiği bulutların oluşumundaki ilk adımlardan biridir.
Texas A&M Üniversitesi’nde atmosfer bilimleri profesörü olan ve araştırmaya dahil olmayan Xiaohong Liu, tüm yağış olaylarının yarısının – kar, yağmur veya karla karışık yağmur – buz kristalleri olarak başladığını ve daha sonra büyüdüğünü ve yağışla sonuçlandığını söylüyor. Araştırmacılar buz çekirdeklenmesini daha doğru bir şekilde modelleyebilirlerse, genel olarak hava tahminine büyük bir destek verebilir.
Buz çekirdeklenmesi şu anda laboratuvar deneyleri temelinde tahmin edilmektedir. Araştırmacılar, farklı laboratuvar koşulları altında buz oluşumu hakkında veri toplar ve bu veriler, benzer gerçek dünya koşullarında hava durumu tahmin modellerine beslenir. Bu yöntem bazen yeterince iyi çalışır, ancak gerçek hava koşullarında yer alan çok sayıda değişken nedeniyle çoğu zaman yanlış olur. Laboratuvar ve gerçek dünya arasında birkaç faktör bile farklılık gösterse, sonuçlar oldukça farklı olabilir.
Liu, “Verileriniz yalnızca belirli bir bölge, sıcaklık veya bir tür laboratuvar ortamı için geçerlidir” diyor.
Elektronların etkileşim biçiminden buz çekirdeklenmesini tahmin etmek çok daha kesindir, ancak aynı zamanda hesaplama açısından çok pahalıdır. Araştırmacıların en az 4.000 ila 100.000 su molekülünü modellemesini gerektiriyor ve hatta süper bilgisayarlarda bile böyle bir simülasyonun çalışması yıllar alabilir. Bu bile etkileşimleri yalnızca 100 pikosaniye veya 10-10 saniye – buz çekirdeklenme sürecini gözlemlemek için yeterince uzun değil.
Ancak derin öğrenmeyi kullanan araştırmacılar, hesaplamaları yalnızca 10 günde çalıştırabildiler. Zaman süresi de 1000 kat daha uzundu – hala bir saniyenin küçük bir kısmı, ancak çekirdeklenmeyi görmeye yetecek kadar.
Liu, hava modellemesinin sadece küçük ama kritik bir bileşeni olduğu için, elbette, daha doğru buz çekirdeklenme modelleri tek başına tahminde bulunmayı mükemmel yapmaz, diyor. Diğer yönler de önemlidir – örneğin su damlacıklarının ve buz kristallerinin nasıl büyüdüğünü ve farklı koşullar altında nasıl hareket edip birlikte etkileştiklerini anlamak.
Yine de, atmosferde buz kristallerinin nasıl oluştuğunu daha doğru bir şekilde modelleme yeteneği, özellikle yağmur veya kar yağma olasılığını ve ne kadar olacağını içeren hava tahminlerini önemli ölçüde iyileştirebilir. Ayrıca, gezegenin sıcaklığını karmaşık şekillerde etkileyen bulutları modelleme yeteneğini geliştirerek iklim tahminine yardımcı olabilir.
Piaggi, gelecekteki araştırmaların havada duman gibi maddeler olduğunda buz çekirdeklenmesini modelleyebileceğini ve potansiyel olarak modellerin doğruluğunu daha da artırabileceğini söylüyor. Derin öğrenme teknikleri sayesinde, daha büyük sistemleri daha uzun süre modellemek için elektron etkileşimlerini kullanmak artık mümkün.
Piaggi, “Bu, esasen yeni bir alan açtı” diyor. “Kimyadaki simülasyonlarda ve malzeme simülasyonlarımızda zaten daha büyük bir rolü var ve olacak.”