Искусственный интеллект вступает в борьбу с изменением климата

Изменение климата – одна из самых серьёзных, если не самая серьёзная, проблема в современном мире. Для ее ликвидации потребуется любое возможное решение, включая такие технологии, как искусственный интеллект.

Рядом крупнейших игроков в области ИИ и машинного обучения была опубликована статья под названием «Борьба с изменением климата с помощью машинного обучения» (Tackling Climate Change with Machine Learning). Этот документ, который обсуждался на AI conference в июне этого года, по словам Дэвида Ролника, научного сотрудника Университета Пенсильвании и одного из авторов, стал «призывом к оружию».

«Удивительно, какой значительный вклад в решение проблемы может внести машинное обучение», - говорит Ролник.

В документе предлагается 13 областей, в которых можно использовать машинное обучение: это производство энергии, удаление СО₂, образование, солнечная геоинженерия и финансы. Предполагается возможность создания более энергоэффективных зданий и экологического транспорта, новых низкоуглеродистых материалов, усовершенствованный мониторинг обезлесения. Однако, признает Ролник, несмотря на существующий потенциал, ИИ не может решить все задачи сразу, это только начало.

«ИИ – не серебряная пуля», - говорит он.

Возможно, машинное обучение не предложит идеальное решение проблем, но представит новый взгляд на них.

10 способов, с помощью которых ИИ может помочь в борьбе с изменением климата.

1. Более точные прогнозы необходимой электроэнергии

Если мы решили полагаться на возобновляемые источники энергии, то необходимо точно знать, сколько электроэнергии нам понадобится сейчас и в долгосрочной перспективе. Уже существуют алгоритмы, которые прогнозируют спрос на энергию, но их работу можно улучшить, если учитывать специфические местные погодные и климатические особенности и нужды домашних хозяйств. Более понятные алгоритмы помогут  операторам коммунальных служб интерпретировать их результаты и использовать данные при планировании.

2. Открытие новых материалов

Ученым необходимо разработать материалы, которые аккумулируют и используют энергию более эффективно, чем сейчас, но процесс поиска новых материалов, как правило, достаточно медленный. Машинное обучение должно ускорить процесс поиска, проектирования и оценки новых химических структур с заданными свойствами. Это актуально для   создания более производительных солнечных батарей, которые будут с минимальными потерями сохранять энергию солнца; для определения более эффективных абсорбентов углекислого газа; для производства  прочных конструкций, в составе которых будет использовано  намного меньше углерода.

Последние материалы могут в будущем заменить сталь и цемент, на долю которых сегодня приходится 10% выбросов парниковых газов.

3. Оптимизация способов доставки грузов

Доставка грузов по всему миру – сложный и часто крайне непродуктивный процесс, в котором взаимодействуют грузы разных весовых категорий и размеров, различные виды транспорта и непостоянная транспортная сеть, связывающая  начальную точку и пункт конечного назначения. Машинное обучение способно найти способы для соединения большого количества отправлений и минимизации общего числа поездок. Такая система будет более устойчивой к перебоям в транспортировке.

4. Снижение барьеров для распространения электромобилей

Электромобили являются ключевым звеном в стратегии отказа от углеродного транспорта, но сталкиваются с рядом проблем по их широкому внедрению. Машинное обучение способно улучшить управление энергией батареи, делая ее более долговечной и производительной, увеличив пробег каждого заряда и уменьшив «беспокойство о дальности».

5. Более энергоэффективные здания

Интеллектуальные системы управления могут значительно снизить энергопотребление здания. Учитывая прогноз погоды и другие условия окружающей среды, будет отрегулирована потребность в отоплении, охлаждении, вентиляции и освещении в помещениях. Умное здание сможет также напрямую связываться с энергосистемой, чтобы уменьшить потребляемую мощность, если в какой-то момент времени будет наблюдаться дефицит низкоуглеродного электроснабжения.

6. Усовершенствование оценки потребления энергии

Во многих регионах мира практически отсутствуют данные о потреблении энергии и выбросах парниковых газов, что может стать серьезным препятствием для разработки и реализации эффективных стратегий смягчения их последствий. Методы компьютерного моделирования могут извлекать данные и характеристики зданий из спутниковых снимков для получения алгоритмов машинного обучения, чтобы оценить потребление энергии города. Те же самые методы могут определить, какие здания следует модернизировать, чтобы максимизировать их эффективность.

7. Оптимизация цепочки поставок товаров

Точно так же, как машинное обучение может оптимизировать маршруты доставки, оно также может минимизировать неэффективность и выбросы углерода в цепочках поставок продуктов питания, моды и товаров широкого потребления. Более точные прогнозы спроса и предложения должны значительно сократить производственные и транспортные отходы, в то время как целевые рекомендации для низкоуглеродистых продуктов могут способствовать более экологически чистому потреблению.

8. Внедрение мультикультур в сельском хозяйстве

Во многих областях современного сельского хозяйства преобладает монокультура – практика производства одного урожая на большом участке земли. Такой подход облегчает фермерам обработку полей с помощью тракторов и других базовых автоматизированных инструментов, но лишает почву питательных веществ и снижает ее продуктивность. В результате многие фермеры сильно зависят от азотных удобрений, которые могут превращаться в закись азота – парниковый газ, в 300 раз более мощный, чем углекислый. Роботы, использующие машинное обучение, могут помочь фермерам при анализе сочетаемости разных культур, а алгоритмы предскажут, когда и какие растения лучше посадить, чтобы восстановить  здоровье земли и уменьшить потребность в удобрениях. 

9. Повышение качества мониторинга обезлесения

Вырубка лесов способствует примерно 10% глобальных выбросов парниковых газов, но отслеживание и предотвращение этого процесса – утомительная операция, которая обычно производится вручную на месте. Спутниковые снимки и компьютерное зрение могут автоматически анализировать потерю древесного покрова в гораздо большем масштабе. А датчики на земле, запрограммированные на обнаружение звуков бензопилы, моментально передадут полученную  информацию местным правоохранительным органам. 

10. Помощь потребителям

Методы, которые рекламодатели успешно используют для изучения предпочтений потребителя, могут применяться для формирования более экологически безопасного поведения. Например, потребители будут получать индивидуальные рекомендации для участия в программах энергосбережения.