Nature Machine Intelligence: 用机器学习实现净零排放：未来的挑战

Nat. Mach. Intell. | Editorial

人们对使用机器学习来缓解气候变化的兴趣越来越大。但随着避免灾难性的温度上升变得更加紧迫，我们也需要采取行动来了解机器学习研究对环境的影响。

今年6月，由于气候变化，孟加拉国和印度遭受了百年不遇的严重洪灾，数百万人需要援助。温度上升还在全球范围内引发了热浪、干旱、野火、洪水和其他灾难性事件，而贫困地区正在为世界迄今未能减少碳排放付出最大的代价。

不必进一步的警醒，各国政府就应迅速采取行动，将全球变暖控制在比工业化前水平高1.5°C的范围内。今年4月发布的IPCC报告《气候变化2022:减缓气候变化》得出的结论是，“如果不立即在所有部门大幅减排，将全球变暖限制在1.5°C是遥不可及的”。根据该报告，为了实现这一目标，全球温室气体排放量应在2025年之前达到峰值，到2030年减少43%。最终，到2050年需要实现CO2净零排放。

在欧洲，迅速转向可持续能源解决方案的另一个激励因素是，欧洲需要独立于俄罗斯的天然气供应。考虑到这些目标，需要变革技术来创造、储存和分配可再生能源，监测碳排放和森林砍伐，减少浪费，使可持续生产链更加经济。预计机器学习将在实现这些技术方面发挥重要作用。

▲图 | NASA地球资源卫星拍摄到的2013年秘鲁的森林砍伐。机器学习和数据驱动的方法可用于基于卫星图像数据监测森林砍伐和碳排放。

Climate Change AI是一个由志愿者驱动的非营利组织，成立于2019年，汇集了来自工业界和学术界的代表。它最近发布的一份报告提供了一长串机器学习可以帮助应对短期或长期气候变化的领域和应用。一个例子是利用计算机视觉根据遥感和卫星数据追踪温室气体排放，这正是由大学、科技公司和非营利组织组成的联盟Climate Trace所研究的。机器学习有望产生积极影响的另一个领域是支持社会向使用可持续能源的电力过渡。机器学习可以用于预测能源供应和需求，以实现有效的能源分配，从而最大限度地减少浪费，避免停电。最近，谷歌宣布将通过谷歌云出售由DeepMind于2019年开发的风电预测服务。

一个相关的机会是改进电池存储和能量转换系统的发展。由于风能和太阳能等可再生能源的可用性是可变的和间歇性的，因此需要电池来储存多余的能量，并在可用性低(或需求高)时将其供应给电网。除了能源供需预测之外，机器学习还可能改变电池和能量转换中的分子设计和材料发现。卡内基梅隆大学和Meta AI联合发起的Open Catalyst Project已经发布了两个数据库。这些数据集可用于训练机器学习模型，以确定将可再生能源转化为可储存形式和其他环境应用的合适的低成本电催化剂。第一个数据集由超过120万个密度泛函理论(DFT)弛豫计算组成，这些计算描述了分子在催化剂表面上的吸附，而第二个数据集补充了超过62,000个DFT弛豫计算，专门关注氧化物电催化，这方面的可用数据以前很少。去年6月，Open Catalyst Project宣布了他们的第二版挑战，其中包括训练机器学习模型，从给定的初始结构开始预测催化剂-吸附物结构的松弛状态能量。目前参赛作品已开放，获奖者将于12月在NeurIPS 2022竞赛赛道上宣布。

该领域另一个有前途的方向是设计用于水氧化还原液流电池的分子。在本期的Nature Machine Intelligence上，Shree Soundarya S.V.及其合作者提出了一个基于AlphaZero和目标函数的分子优化框架，目标函数由两个经过DFT模拟训练的图神经网络组成，以强制执行化学信息约束。由此产生的强化学习算法搜索可行有机自由基的组合大空间，以识别同时满足预定还原和氧化要求的未知稳定电解质。

正如Climate Change AI的报告所强调的那样，机器学习并不是一个“灵丹妙药”式的解决方案。此外，它的一些应用，如化石燃料的勘探和开采，可能会加剧气候危机。对于所有机器学习应用程序来说，另一个问题是训练和运行机器学习模型的碳足迹。因此，必须全面考虑机器学习的影响，正如Lyn H. Kaack及其同事最近在Nature Climate Change 的一篇观点文章中所讨论的那样。根据作者的说法，研究人员需要停止仅仅关注准确性方面的性能进步，而是致力于优化准确性与碳排放/能源消耗之间的权衡。作者建议研究人员在科学出版物中报告他们的模型对碳排放的影响，“即使只是在数量级或定性评估的水平上”。NeurIPS 2022将举办一个专门的研讨会，名为“用机器学习应对气候变化”，并将继续举办一系列关于该主题的会议研讨会，重点关注“气候变化信息指标”，以评估机器学习方法对气候变化的影响。

机器学习社区已经开始着手处理机器学习对广义社会的重大影响。NeurIPS和其他网站正在促使作者在他们的论文中添加“更广泛的影响”声明，以讨论他们研究的潜在下游积极和消极影响。随着关注减缓气候变化的紧迫性日益增加，现在是考虑是否需要将环境影响评估纳入这一讨论的时候了。

文章信息

标题：Achieving net zero emissions with machine learning: the challenge ahead

期刊：Nature Machine Intelligence

类型：Editorial

时间：2022-08-30

DOI：https://doi.org/10.1038/s42256-022-00529-w

点击文末左下角 “阅读原文” 可直达原文

— END —