科学家已然构建了一个模拟地球的高度精确数字模型,可用于提供有关极端天气和气候变化的可靠信息。
该数字模型是一个由人工智能驱动的“数字孪生体”,模型以虚拟的方式模拟自然现象与人类活动之间的相互作用,可用于预测其对水、食物和能源系统等的影响。
在过去,气候和天气预测一般都或是侧重于预测局部地区,或是侧重于全球系统。新项目“目的地地球”(DestinE)将所有这些信息与人类活动结合在一起,目的是“描绘整个地球系统的复杂过程”。
欧盟委员会6月10日启动了该项目,数字欧洲计划提供了超过3.15亿欧元的资金。项目希望提供一种测试各种情景的方法,可以帮助政策制定者和科学家为未来做好准备。
负责欧盟“适合数字时代的欧洲”策略的执行副主席Margrethe Vestager表示,“最初的DestinE的启动真正改变了我们应对气候变化的游戏规则。这意味着我们可以观察环境挑战,从而帮助我们预测未来的情景——这是我们以前从未做到过的……而现在,我们的指尖可以触摸未来。”
DestinE目前由两个模型组成,一个模型侧重于气候变化对适应,另一个模型侧重于天气引起的极端情况,这两个模型都利用了来自诸如哥白尼数据空间生态系统等数据源的数据。
DestinE预计将在未来几年内不断发展,最后至 2030 年末完成一个完整的地球数字复制品。
为什么我们需要地球的“数字孪生”?
现在的天气变得越来越恶劣,我们也就越来越需要估算气候危机的影响。根据世界气象组织(WMO)的数据,在 1970 年至 2021 年期间有超过 200 万的人死于与极端天气相关的事件。
而 2003 年和2010年的极端热浪造成的死亡人数占了欧洲与天气相关死亡人数的80%,气候灾害正在不断恶化,今年5月打破了全球气温纪录。连续第12个月创下新高。
DestinE将用于帮助欧洲更有效地应对自然灾害、适应气候变化以及评估此类事件对社会经济和政策的潜在影响。
DestinE模型可以提供一些假设情景和信息,例如在欧洲各地建设风力发电场,或针对气候的变化应在什么地方种植农作物等等。
DestinE项目联合发起人 Peter Bauer 在2021年最初宣布该项目时表示,“例如,如果计划在荷兰建造一座两米高的堤坝,我可以通过数字孪生中的数据检查这座堤坝是否有可能抵御2050 年的极端事件。”
数字孪生如何帮助欧洲实现气候目标?
欧盟委员会 DestinE 项目与欧洲中期天气预报中心(ECMWF)、欧洲航天局(ESA)和欧洲气象卫星应用组织(EUMETSAT)都有合作。
欧盟正在绿色科技方面进行大量投资,欧盟计划至 2050年成为第一个气候中和大陆,投资属于计划的一部分。欧盟希望 DestinE 项目能在未来几年内促进更加可持续的发展,并为环境政策提供支持。
超级计算机为模拟提供动力
但模拟本身对气候的影响可能也很大。研究人员在2021年的一项研究中估计,他们需要一台配备了2万个图形处理器、耗电量约20兆瓦的超级计算机才能创建这个高度复杂的模型。
DestinE 依赖欧洲的高性能计算机(EuroHPC),包括位于芬兰卡亚尼的LUMI超级计算机。
尽管该系统的能源来源尚不明确,计算专家此前曾强调在开发过程中碳中和能源的重要性。芬兰近一半的能源来自可再生能源,在欧盟国家中仅次于瑞典。
团队的目标是到2027年底构造更多的数字孪生体和服务并投入运行。然后这些模拟的数据将合并在一起,至2030年末创建一个“完整的地球数字孪生体”。
好文章,需要你的鼓励
开源加密初创公司ZamaSAS宣布完成5700万美元B轮融资,专注于为区块链和AI应用构建全同态加密技术以保护隐私。本轮融资由BlockchangeVentures和PanteraCapital共同领投,使公司总融资超过1.5亿美元,估值突破10亿美元。同时,Zama推出保密区块链协议公开测试网,允许开发者在以太坊上构建私密通信应用。
新加坡国立大学研究团队开发了SPIRAL框架,通过让AI与自己对弈零和游戏来提升推理能力。实验显示,仅训练AI玩简单扑克游戏就能让其数学推理能力提升8.6%,通用推理提升8.4%,且无需任何数学题目作为训练材料。研究发现游戏中的三种推理模式能成功转移到数学解题中,为AI训练提供了新思路。
英国网络铁路公司、Neos Networks和Freshwave联合启动"触达项目",旨在消除英国主要铁路干线上的信号盲区。该项目将公私合营模式相结合,预计为纳税人节省约3亿英镑。项目将部署1000公里超高速432芯光纤电缆,覆盖东海岸主线等多条线路,并在12个主要车站提供4G/5G室内连接,在57个隧道中部署4G移动连接。新网络将大幅提升铁路通信基础设施能力,支持轨道传感器和监控应用,为乘客提供更快更可靠的列车服务。
同济大学团队开发的GIGA-ToF技术通过融合多帧图像的"图结构"信息,创新性地解决了3D相机噪声问题。该技术利用图像间的不变几何关系,结合深度学习和数学优化方法,在合成数据集上实现37.9%的精度提升,并在真实设备上展现出色泛化能力,为机器人、AR和自动驾驶等领域提供更可靠的3D视觉解决方案。