Sztuczna inteligencja powstrzyma zmiany klimatu? Mnóstwo pomysłów i… jeden problem

Zmiany klimatu są niezaprzeczalnie jednym z najpoważniejszych globalnych problemów, przed którym stoi ludzkość w obecnej chwili. Mają one wpływ nie tylko na naszą teraźniejszość, ale również na życie przyszłych pokoleń. Życie, które może nie mieć miejsca, jeśli klimat nadal będzie ewoluował w tak szybkim tempie. Czy sztuczna inteligencja może nam pomóc w powstrzymaniu tych zmian, a jeśli tak, to w jaki sposób?

Geneza problemu – człowiek?

Jednym z głównych czynników wpływających negatywnie na tempo zmian klimatycznych i rosnącą temperaturę Ziemi w ciągu ostatnich dekad jest m.in. emisja gazów cieplarnianych, np. dwutlenku węgla jak też wycinka lasów deszczowych, nawozy azotowe, gazy fluorowane czy masowa hodowla zwierząt gospodarczych. Według UE średnia temperatura Ziemi wzrosła o 0,85 stopnia C w porównaniu do końca XIX w.

Naukowcy są zdania, że główną przyczyną tak ogromnych zmian w ciągu ostatnich trzech dekad, jest właśnie działalność człowieka. Według klimatologów dalsze zmiany temperatury o 2 stopnie C, względem warunków panujących przed epoką przemysłową, mogą diametralnie zwiększyć ryzyko dalszych, katastroficznych w skutkach przemian na naszej planecie.

Ocieplenie klimatu o kilka stopni może wydawać się nam nieznaczącą zmianą, ale w rzeczywistości ten dosyć niewielki wzrost temperatury globalnej może doprowadzić do stopnienia lodu polarnego, a co za tym idzie – podniesienia poziomu oceanów, zwiększenia częstotliwości fal huraganów i upałów, zmniejszenia różnorodności biologicznej naszej planety, a w konsekwencji do wyniszczenia struktur ekosystemu. Brzmi groźnie, prawda?

Jak sztuczna inteligencja i uczenie maszynowe (ML) mogą być pomocne w procesie powstrzymania zmian klimatu?

W celu rozwiązania problemu rosnących zmian klimatycznych należy przede wszystkim złagodzić ich skutki, począwszy od redukcji emisji gazów cieplarnianych, co będzie od nas wymagało zmian na wielu płaszczyznach, a mianowicie w systemach elektrycznych, nieruchomościach, zagospodarowaniu terenu, przemyśle i transporcie. Transformacji tych jednak nie należy traktować jako problemu wielopłaszczyznowego, a raczej jako szansę na wywarcie wpływu (złagodzenie objawów dotychczasowych szkód).

Przez ostatnie lata ML i AI zostały uznane za potężne technologie mogące wywrzeć ogromny wpływ na rozwój technologiczny naszej przyszłości. W sytuacji, kiedy stoimy przed tak poważnym problemem, jakim są zmiany klimatyczne, sztuczna inteligencja (AI) może nam posłużyć jako niezawodna pomoc w procesie powstrzymania tych przemian.

Pod koniec 2019 roku m.in. Yoshua Bengio, Demis Hassabis, Andrew Ng – znani eksperci – przystąpili do międzynarodowej inicjatywy na rzecz wykorzystania sztucznej inteligencji do rozwiązania problemu zmian klimatycznych – Climate Change AI.

Efektem ich pracy jest wyczerpujący raport ukazujący możliwości wykorzystania ML (uczenia maszynowego) w procesie cofnięcia/zatrzymania przemian klimatu. W poniższym artykule częściowo pozwoliłam sobie bazować na przeprowadzonych przez nich badaniach.

Elektryczność bez użycia węgla

Jedna czwarta emisji gazów cieplarnianych wytwarzanych przez człowieka ma swoje źródło w systemach elektrycznych. Żeby ograniczyć emisję z tych systemów, należy szybko zastąpić obecną technologię technikami niskoemisyjnymi, np.:

• źródłami zmiennymi (zależne od czynników zewnętrznych): energia słoneczna, kinetyczna, wodna,
• sterowalnymi (można je wyłączyć i włączyć): jądrowa i geotermalna,
• wycofaniem źródeł emitujących węgiel.

Zmiany te należy wprowadzić globalnie na wszystkich płaszczyznach.

Jak przechowywać „zieloną” energię?

Naukowcy pracują obecnie nad stworzeniem materiałów, które potrafiłyby przechowywać i wykorzystywać energię ze źródeł naturalnych, również w sposób dwukierunkowy (magazynowanie i dostarczanie do odbiorcy). ML (machine learnig – uczenie maszynowe) może przyśpieszyć proces znalezienia, a następnie automatyzacji tego działania, wychwytując energię słoneczną w momencie, gdy świeci słońce, a następnie magazynując ją w celu późniejszego wykorzystania.

Przykładowo niedawno wykorzystano AI i ML do:

• ustalenia struktury krystalicznej materiału, który umożliwi odkrycie nowych źródeł paliw słonecznych.
• zaprojektowania przewodzących ciał stałych dla akumulatorów litowo-jonowych.

Inteligentne panele i wiatraki?

ML może być pomocny w celu zwiększenia zysków przy kontrolowaniu akumulatorów, które znajdują się na farmach słonecznych i wiatrowych. W jaki sposób? Na przykład magazynując wytworzoną energię elektryczną w momencie niskich cen i sprzedaży, gdy ceny wzrosną oraz poprzez integrację paneli słonecznych, umieszczonych na dachach z siecią elektryczną w USA i Europie.

ML może zostać także użyte do identyfikacji i zarządzania energią geotermalną przy użyciu danych sejsmicznych, jak również do wykonania zdjęć satelitarnych. Może pomóc zoptymalizować wielozadaniowo górne zapory wodne w taki sposób, który jest zarówno ekologiczny, jak i spełnia cele energetyczne. ML pomaga również utrzymać w dobrym stanie reaktory jądrowe, wykrywając wszystkie anomalia i pęknięcia z wykorzystaniem danych symulacyjnych i czujnika wielowymiarowego.

Naukowcy spekulują, że ML mogłoby również zostać użyte do symulacji usuwania odpadów jądrowych, jak również samego projektowania reaktorów jądrowych nowej generacji.

„Inteligentna” synteza jądrowa

Reaktory syntezy jądrowej mogą być bezpiecznym źródłem energii elektrycznej przy nieograniczonym zaopatrzeniu w paliwo wodorowe. Problem polega na tym, że na obecną chwilę wytwarzają mniej energii, niż zużywają. Reaktory mają dużą liczbę regulowanych parametrów, których zbadanie wymagało mocy obliczeniowej przewyższającej obecnie dostępne technologie. Z pomocą w tej sytuacji przyszło  Machine Learning – czyli uczenie maszynowe. Pierwsze prace nad reaktorami z zastosowaniem ML przeprowadził Google i TAE Technologies umożliwiając szybkie zbadanie parametrów reaktora TAE z użyciem algorytmu człowieka w pętli.

Nieodzownym aspektem jest również wykorzystanie ML do fizycznego monitorowania reaktorów. Obecne reaktory wprowadzają stan niestabilności plazmy (podczas podgrzewania wodoru), co może doprowadzić do ich zniszczenia. ML może pomóc w tej kwestii w szerszym aspekcie, nie poprzez wykrycie zakłóceń, a samą symulację procesu zmiany plazmy w czasie rzeczywistym. Dzięki temu możliwe będzie sprowadzenie plazmy do bezpiecznych stanów z zastosowaniem kontroli reaktora.

Sztuczna inteligencja jako pomoc w procesie redukcji emisji CO2

W czasie, kiedy społeczeństwo będzie przechodzić na niskoemisyjną energię, niezbędna jest redukcja emisji paliw już istniejących. ML może być w tej sytuacji pomocne w procesie zatrzymania wycieku metanu ze stacji sprężarek i rurociągu gazu ziemnego. Poza wykrywaniem nieszczelności sprzętu, ML może również przyczynić się do ograniczenia emisji w czasie transportu towarowego paliw stałych. Może także zarządzać składowaniem CO2 z gazów spalinowych z elektrowni oraz zoptymalizować jej parametry w celu zmniejszenia emisji CO2.

Globalny dostęp do czystej energii elektrycznej z pewnością przeciwdziała zmianom klimatycznym, jednocześnie ma wpływ na poprawę rozwoju społecznego, jak i gospodarczego wielu rejonów Ziemi. Czysta energia dostarczana z użyciem mikro-sieci, sieci elektrycznych lub poza ich dostępem, może być skutecznych zastępnikiem dla generatorów diesla, pieców opałowych oraz innych źródeł opartych na spalaniu węgla.

W procesie tym zarówno ustalenie metod elektryfikacji dla poszczególnych obszarów, zarządzanie dostępami do energii, jak i generowanie danych polityki dostępu będzie w dużej mierze oparte na szerokim zastosowaniu uczenia maszynowego.

Transport przyjazny środowisku

W przeciwieństwie do sektora energii elektrycznej, dział transportu nie poczynił znaczących kroków w celu obniżenia emisji dwutlenku węgla – a powinien – ponieważ jest w czołówce jego emiterów. Powodem braku tego typu zmian jest wysoka energochłonność paliw, które zasilają wiele pojazdów oraz trudna polityka transportowa.

Oto wybrane strategie redukcyjne w sektorze transportowym, opracowane przez ClimateChange:

• zmniejszenie poziomu działalności transportowej,
• poprawienie wydajności pojazdów,
• wprowadzenie do użytku alternatywnych paliw i elektryfikacji,
• zmiana środków transportu – przejście na pojazdy niskoemisyne np. kolej.

Codziennie przez nasz świat przejeżdża kolosalna ilość pojazdów. Problem w tym, że większość z tych środków transportu jest nieefektywna i skutkuje niepotrzebnymi emisjami gazów cieplarnianych. 
Wraz z zastosowaniem uczenia maszynowego można zmniejszyć konieczność odbywania długich podróży, zoptymalizować trasy przejazdów, jak i zmniejszyć obciążenie środków transportu.

Machine learning może także pomóc w oszacowaniu zapotrzebowania na przejazd do danego miejsca na podstawie ilości odwiedzin tego miejsca i adekwatnie do tego zaproponować odpowiednią alternatywę przejazdu.

Na podstawie dostępnych danych jesteśmy w stanie wyliczyć również, czy dany użytkownik jest skłonny do skorzystania z oszczędnej, ogólnodostępnej mobilności takiej jak transport publiczny, czy z możliwości transportu wielu osób tym samym samochodem (np. z użyciem znanego w Polsce BlaBlaCar).

Idąc krok dalej, sztuczna inteligencja pomocna jest również w liczeniu przesyłek – to znaczy w konsolidacji ładunków, dzięki której przewoźnik może zmniejszyć liczbę przejazdów, a zmiana trasy oznacza, że nie musi przejeżdżać tej samej drogi z powrotem pustym autem. W grę wchodzi tu również grupowanie dostawców według ich położenia geograficznego.

Jak sztuczna inteligencja może pomóc w ograniczeniu potrzeb przemieszczania się:

• wytwarzanie addytywne (wydruk trójwymiarowy) – lżejsze produkty, produkcja bliżej konsumenta,
• poprawa komunikacji wirtualnej – zastąpienie podróży poprzez komunikację online.

Poprawa wydajności transportu, czyli pojazdy autonomiczne

Wydajniejsze silniki, lepsza aerodynamika, silniki hybrydowe/elektryczne oraz zmniejszenie masy danego pojazdu, to tylko kilka z dostępnych na rynku możliwości, które znacząco wpływają na poprawę wydajności transportu.

Propozycje te wymagają zastosowania technik inżynieryjnych przy użyciu uczenia maszynowego i sztucznej inteligencji. Mowa tu o budowie silnika spalinowego, ulepszeniu działania elektrycznych pojazdów hybrydowych, modelowaniu turbin do pojazdów aerodynamicznych czy też produkcji addytywnej (m.in. druk 3D) – pozwala to wyprodukować lżejsze części do pojazdów i finalnie zmniejszyć zużycie energii.

Jednak największe nadzieje na zwiększenie efektywności transportu pokładane są w pojazdach autonomicznych (inaczej mówiąc – w pełni zautomatyzowanych). Samochody bezzałogowe, to samochody, którymi steruje komputer. Uczenie maszynowe jest niezbędne przy tworzeniu pojazdów tego typu, ponieważ odpowiada za wprowadzenie do takich pojazdów funkcji takich jak śledzenie drogi, wykrywanie przeszkód, zmniejszenie zużycia energii czy ekologiczną jazdę.

Darpa Grand Challenge

Prace nad pojazdami zautomatyzowanymi nabrały tempa poprzez wyścig DARPA Grand Challenge. Sponsorowane jest to przez oddział rządu USA, który zajmuje się technologiami wojskowymi. To są projekty badawcze, mające związek z obroną USA (innymi słowy – System Bojowy Przyszłości).

Prace nad tego typu pojazdami trwają również w Korei, Singapurze, Chinach i wielu innych krajach. Obecnie pojazdy bezzałogowe do użytku publicznego są już dostępne w Kalifornii. Wprowadzenie tego typu samochodów planowane jest również na naszych drogach w formie ciężarówek, aut dostawczych, autobusów czy śmieciarek.

Według ClimateChange jest również możliwe, że AV, czyli pojazdy autonomiczne ze względu na swoją niedrogą eksploatację doprowadzą do zwiększenia ogólnego ruchu na drodze. i w ten sposób zniwelują osiągnięty wzrost wydajności. Jak ostrzega Europejska Organizacja Transport & Environment, popularność samochodów autonomicznych może zwiększyć ruch w miastach nawet o  150%, przez co finalnie emisja CO2 wzrośnie o 40%, a to niestety odbije się wielkim echem na ekologii.

Aby zapobiec takiemu przebiegowi zdarzeń, należałoby wprowadzić zakaz wjazdu do miast samochodów autonomicznych z silnikiem spalinowym. Wówczas mogłoby to obniżyć emisję spalin o 23% w stosunku do dzisiejszej skali zanieczyszczeń. Finalnie, wiązałoby się to również z promocją aut wodorowych i elektrycznych.

Elektryfikacja na pomoc transportowi

Technologie powiązane z pojazdami elektrycznymi (EV) są uznawane za podstawowy moduł dekarbonizacji środków transportu. Pojazdy te mogą emitować bardzo niskie GHG (przy niskiej emisji CO2 przez energię elektryczną). Uczenie maszynowe ma wielkie znaczenie przy automatyzacji pojazdów elektrycznych. Wpływa ono na usprawnienie planowania opłat, algorytmy łączące samochód z siecią oraz na kontrolę ograniczeń.

Z biegiem czasu, kiedy aut elektrycznych będzie coraz więcej na naszych drogach, opracowanie wzorców zachowań ich użytkowników i co za tym idzie, obciążenia elektrycznego, stanie się jedną z ważniejszych kwestii. W autach tego typu będą umieszczone czujniki, które pozwolą zrozumieć zachowania ich właścicieli względem planowanej podróży i pomogą również rozplanować miejsca dostępu do stacji ładowania.

Ogólnie ujmując, transport w większości bazuje na ciekłych paliwach kopalnianych. Niestety na obecną chwilę w takich sektorach jak lotnictwo, żegluga oceaniczna czy transport nie ma możliwości elektryfikacji ze względu na wysokie stężenie energii. Za potencjalny zastępnik mogą w tej sytuacji posłużyć elektropaliwa i biopaliwa.

Dekarbonizacja

Jeden z najważniejszych sposobów na dekarbonizację transportu to przeniesienie pasażerów i przesyłek na pojazdy o niskiej emisji CO2. Może to oznaczać rozszerzenie transportu publicznego, a co za tym idzie, utworzenie nowych linii publicznych po zbadaniu zapotrzebowań pasażerów. Działanie to pomoże lepiej zrozumieć wybory poszczególnych użytkowników pojazdów.

Przykładowo, firma Sun et al. używa maszyn takich jak SVM oraz sieci neuronowych. To wszystko w celu zbadania preferencji osób podróżujących szybkimi kolejami na terenie Chin. Uzyskują wówczas miarodajne wyniki do dalszego zastosowania i ulepszenia sieci komunikacji publicznej.

Automatyzacja rolnictwa – satelitarny monitoring pól uprawnych

Wzrost populacji na świecie powoduje zwiększenie zapotrzebowania na żywność. Dzięki zastosowaniu sztucznej inteligencji można skutecznie usprawnić produkcje roli, jednocześnie zmniejszając jej wpływ na zmiany klimatyczne.

Sztuczna Inteligencja może odegrać dużą rolę w rolnictwie poprzez zwiększenie efektywności produkcji czy dostosowanie upraw do rodzaju podłoża danego obszaru rolnego. Inaczej mówiąc – jest to zrównoważona akceleracja rolnictwa lub tzw. uprawa precyzyjna, która w praktyce prowadzi do zwiększenia zbiorów nawet o 20%.

W obecnej sytuacji, gdzie samo wytwarzanie żywności związane jest z 30% emisją gazów szklarniowych (cieplarnianych) oraz z 70% poborem wody, to wprowadzenie ulepszeń dzięki sztucznej inteligencji, może przynieść znaczącą różnicę dla zmian klimatycznych.

GPS

Badania nad uprawą precyzyjną, czujniki do mapowania warunków panujących na polu, użycie satelitów, pobieranie próbek gleby, analiza i identyfikacja GPS (zwiększenie rozdzielczości i szczegółowości pomiarów), drony z czujnikami do bieżącego sprawdzania formy pól uprawnych – wszystkie te elementy pozwolą na dostosowanie użycia pestycydów i nawodnienia do aktualnego stanu upraw oraz poprawy jakości ziemi, zmniejszając w ten sposób nadmierne zużycie wody.

Czujniki mogą mieć również zastosowanie przy zbieraniu informacji o uprawach na danym terenie. Z użyciem kamer hiperspektralnych, umieszczonych na dronach, badacze są w stanie zmierzyć stan poziomu chlorofilu oraz poziom zazielenienia plonów. Im więcej chlorofilu, tym plon jest silniejszy, co sprawia, że dobrze rokuje i można go wesprzeć w procesie walki z takimi przeciwnikami jak na przykład grzyby. Ponadto, zgromadzone dane są wykorzystywane również do kalkulacji wielkości zbiorów, co w praktyce oznacza, że producent może uniknąć nadprodukcji. 

Dodatkową kwestią związaną z uprawą precyzyjną jest również robotyzacja rolnictwa. Maszyny w tym wypadku używane są jako wsparcie w siewie, zbiorach, orce i pieleniu. Obecnie testy w tej kwestii przechodzi szwedzki robot o nazwie Ekobot. Zastosowanie uprawy precyzyjnej i rokowania z nią związane są znaczące w kwestii zwiększenia plonów z już istniejących gruntów rolnych, a co za tym idzie, zmniejszeniem wpływu gospodarki rolnej na zniszczenie środowiska.

SatAgro

Pisząc o rolnictwie precyzyjnym, koniecznie należy wspomnieć o polskiej aplikacji SatAgro. Dzięki wykorzystaniu sztucznej inteligencji pozwala na automatyczne przetwarzanie zdjęć satelitarnych dla monitoringu roli. A jak działa?

Aplikacja satelitarna dostarcza najnowszych danych dotyczących stanu upraw rolnych i ich kondycji. SatAgro funkcjonuje w oparciu o takie technologie jak satelitarne obserwacje i komputerowe algorytmy obrabiające dane geograficzne. Do jej kluczowych funkcjonalności można zaliczyć również automatyczne tworzenie map. Mapy z kolei pełnią funkcję instrukcji dla maszyn rolnych. Instrukcje są w celu precyzyjnego użycie nawozów, wykonywanie wysiewu czy też użycie środków do ochrony roślin. Pozwala to rolnikowi na osiągnięcie znaczących oszczędności finansowych oraz optymalizację plonów przy określonych nakładach.

Informatycy powinni zużywać mniej prądu?

Prawie 10% światowej produkcji energii elektrycznej pochłania branża IT. Szacunkowo, w 2030 r. zużycie to wzrośnie prawdopodobnie o 20%. Często w dziedzinie zmian klimatycznych jest mowa o wpływie branży lotniczej na emisję dwutlenku węgla, a co za tym idzie, niekorzystny wpływ na środowisko. Jednakże przyglądając się sektorowi IT, można zauważyć, że zużywa on podobną ilość energii, co lotnictwo.

Uczenie maszynowe i sztuczna inteligencja mają ogromny potencjał funkcjonalności, niestety jak na razie także zużywają ogromną ilość prądu na procesy obliczeniowe, które wymagają zasilania.

Szwedzcy uczeni z RISE próbują rozwiązać ten problem zarówno od strony IT, jak i chłodzenia budynku. Opracowali tzw. model krawędzi, czyli mniejsze centrum danych, zasilane przez ogniwa słoneczne oraz baterie. Projekt ten jest cały czas w trakcie badań.

Uczenie maszynowe nie rozwiąże problemu zmian klimatycznych za nas

Użycie sztucznej inteligencji w procesie zatrzymania zmian klimatycznych może stanowić korzyści zarówno dla ludzkości, jak i dla samej technologii AI czyli uczenia maszynowego.

Należy jednak pamiętać, że w dużej mierze ML opiera się na zbiorach danych. Nie wszędzie jest dostęp do danych na takim samym poziomie. Przykładowo możemy zrealizować prognozę zapotrzebowania na energię w USA, gdzie baza danych jest obszerna. Chcąc wykonać tę samą prognozę na Sri Lance czy w Indiach, może się okazać, że mamy zwyczajnie za mało informacji.

Jest również wiele obszarów, gdzie AI nie ma zastosowania na obecny moment.
Może mieć jednak znaczący wpływ w procesie przyspieszenia badań związanych z działaniami na rzecz zmian klimatu.

Czy sztuczna inteligencja i uczenie maszynowe są w stanie pomóc nam w procesie powstrzymania zmian klimatycznych?

Tak, ale pod jednym warunkiem: że znajdziemy sposób na bardziej energooszczędne modelowanie ML. Obecnie technologia AI wymaga ogromnej mocy obliczeniowej. Wykorzystując duże ilości energii pogłębiamy proces zmian klimatycznych, zamiast mu przeciwdziałać.

Jeśli sztuczna inteligencja pomoże nam zrozumieć, w jaki sposób budować naturalne, odnawialne źródła zasilania tak, by sama mogła z tych źródeł korzystać, wówczas z pewnością użycie jej w procesie powstrzymania zmian klimatycznych stanie się nieodzowną formą pomocy.

Przeczytaj również: Nasze smartfony nie pomagają nam w walce z wirusem. Co poszło nie tak?