دستاورد دکترای جوان در پیش‌بینی سیل

TP - دکتر تران نگوک وین (محقق دانشگاه میشیگان، ایالات متحده آمریکا) در سن ۳۴ سالگی، نویسنده اصلی یک پروژه تحقیقاتی است که با ترکیب هوش مصنوعی (AI) با مدل‌های فیزیکی، پیشرفتی در پیش‌بینی سیل ایجاد کرده و ۶ برابر دقت بیشتری ارائه می‌دهد، که در سراسر ایالات متحده آزمایش شده است.

نقطه عطف

موفقیت دکتر تران نگوک وین ناشی از تصمیم شجاعانه او برای ترک منطقه امن خود و تجربیات استرس‌زایی است که در طول سال‌ها تحصیل و کار در کره و ایالات متحده تجربه کرده است. سفر او، از روزهای اولیه تحصیل فیزیک و ریاضیات در ویتنام، از طریق کره تا ایالات متحده، داستانی از اراده برای غلبه بر محدودیت‌ها و تمایل به یافتن راه‌حل‌هایی برای محافظت از جامعه در برابر بلایای طبیعی است.

وین پس از فارغ‌التحصیلی از دانشگاه علوم طبیعی (VNU)، حرفه خود را به عنوان محقق در دانشگاه قبلی‌اش آغاز کرد. با این حال، تصمیم برای رفتن به کره برای انجام تحقیقات، نقطه عطفی واقعی بود. دکتر وین گفت: «تفاوت‌های فرهنگی و زبانی باعث شد احساس خجالت کنم و اغلب در مورد توانایی ادامه تحصیل تردید داشتم. اما این مهمترین نقطه عطف در حرفه من بود. چون از خانواده‌ام دور بودم، مجبور بودم روی پای خودم بایستم: اهداف خودم را تعیین کنم، برنامه‌های خودم را داشته باشم و برای رسیدن به آنها تلاش کنم.»

تران نگوک وین در دانشگاه میشیگان، ایالات متحده، در مورد پدیده سیل شهری ارائه داد.

حالا که به سفر تقریباً ۵ ساله‌اش برای اخذ مدرک دکترا در دانشگاه اولسان کره جنوبی نگاه می‌کند، متوجه می‌شود که فشاری که به خودش وارد می‌کرد، حتی از الزامات اساتید راهنمایش هم بیشتر بود. او به یاد می‌آورد: «دوره‌ای بود که زندگی‌ام تقریباً نامتعادل بود: در طول دوره دکترا، اغلب بیش از ۱۵ ساعت در روز کار می‌کردم، بسیاری از شب‌ها تا ساعت ۶-۷ صبح کار می‌کردم تا بخوابم. با این حال، همان دوره سخت بود که به من کمک کرد تا به علاقه واقعی‌ام و مسیری که می‌خواستم دنبال کنم، پی ببرم و پایه و اساس پروژه‌های نوآورانه بعدی‌ام را بنا نهادم.»

رشته اصلی دکتر وین علوم زمین، به ویژه آب و هواشناسی است. در طول تحصیلات کارشناسی خود در دانشگاه علوم طبیعی، او خوش شانس بود که در بسیاری از پروژه‌های تحقیقاتی اساتید خود شرکت کند و به سفرهای میدانی در همه جا، به ویژه در منطقه مرکزی ویتنام، با تمرکز بر پدیده سیل، برود. سفرهای میدانی به استان‌های مرکزی، و مشاهده مستقیم سیل‌های شدیدی که جان، مال و دارایی‌های مادی بسیاری از مردم را با خود برد، احساسات زیادی را در او برانگیخت. او گفت: «در طول کارم، همیشه با دو سوال دست و پنجه نرم می‌کردم: آیا پیش‌بینی بلایای طبیعی امکان‌پذیر است؟ و برای به حداقل رساندن خسارات ناشی از سیل چه کاری می‌توانیم انجام دهیم؟»

دکتر تران نگوک وین، محقق دانشگاه میشیگان، ایالات متحده آمریکا

اگرچه او عاشق فیزیک است و به مدل‌های سنتی پیش‌بینی سیل علاقه زیادی دارد، اما محدودیت‌های آنها را نیز می‌بیند: «قدرت انسان محدود است و نمی‌تواند در مقیاس وسیع پیش‌بینی کند.» برعکس، هوش مصنوعی می‌تواند حجم عظیمی از اطلاعات را به سرعت و با دقت و با نظم پردازش کند. او معتقد است که ترکیب هوش مصنوعی با مدل‌های فیزیکی و تجربه انسانی، راهی برای غلبه بر نقاط ضعف هر ابزار است.

با این تفکر، تیم تحقیقاتی به رهبری او در دانشگاه میشیگان (ایالات متحده آمریکا) پروژه تحقیقاتی "هوش مصنوعی دقت، قابلیت اطمینان و ارزش اقتصادی پیش‌بینی‌های میان‌مدت سیل در مقیاس قاره‌ای را بهبود می‌بخشد" را انجام دادند که قرار است در سال 2023 تکمیل شود. این تحقیق یک چارچوب مدل‌سازی ترکیبی جدید با ترکیب هوش مصنوعی و مدل پیش‌بینی سیل فعلی ایالات متحده - مدل ملی آب (NWM) - ایجاد کرد که می‌تواند خطاها را در برنامه‌ریزی پیش‌بینی سیل ملی کاهش دهد و پیش‌بینی‌های دقیق‌تری از محل وقوع سیل ارائه دهد.

دکتر وین و دانشمندان دریافتند که وقتی هوش مصنوعی در کنار مدل NWM که توسط اداره ملی اقیانوسی و جوی ایالات متحده (NOAA) توسعه داده شده است، استفاده می‌شود، مدل ترکیبی حاصل چهار تا شش برابر دقیق‌تر است. هوش مصنوعی بر اساس داده‌های NOAA برای ایالات متحده آموزش دیده بود، اما این سیستم می‌تواند برای هر کشوری سفارشی‌سازی شود.

نتایج تحقیق نشان می‌دهد که مدل ترکیبی نه تنها از NWM بهتر عمل می‌کند، بلکه از یک مدل پیشرفته هوش مصنوعی توسعه‌یافته توسط گوگل نیز، به‌ویژه در شرایط سیل شدید، بهتر عمل می‌کند. این کار در مجله برتر اتحادیه ژئوفیزیک آمریکا (AGU) منتشر شده است که کمتر از ۱۰۰ مطالعه در سال منتشر می‌کند.

آزمایش در سراسر ایالات متحده

دکتر تران نگوک وین، از بین ۲۰ نفر برتر جوایز علم و فناوری گلدن گلوب ۲۰۲۵، دارای ۸ اختراع ملی در کره، ۲۹ مقاله علمی منتشر شده در مجلات علمی بین‌المللی در دسته Q1...

دکتر وین گفت: «برای اعلام نتایج، ما مجبور بودیم بر طوفان‌های زیادی غلبه کنیم و حجم عظیمی از کار را انجام دهیم. اما این گواه سفری است که در آن دائماً در جستجوی راه‌حل‌های بهتر برای پیش‌بینی بلایای طبیعی بوده‌ام، هدفی که از اولین روزهای ورود به این حرفه برایم ارزشمند بوده است.»

او به عنوان نویسنده اصلی این پروژه تحقیقاتی، سال‌هاست که خستگی‌ناپذیر کار می‌کند، از جمع‌آوری و پردازش داده‌های ورودی، شامل داده‌های هواشناسی (باران، دما، باد و غیره)، داده‌های جریان سیل، داده‌های شبیه‌سازی از NWM گرفته تا طراحی چارچوب کلی تحقیق، ساخت سناریوهای شبیه‌سازی برای ارزیابی اثربخشی مدل، پیشنهاد سرپرستی نگارش مقاله، شرکت در فرآیند بررسی پروژه تحقیقاتی...

«در زمینه تحقیقات، من هوش مصنوعی را در سیستم مدل زمین ادغام خواهم کرد تا قابلیت‌های شبیه‌سازی و سرعت محاسبات را بهبود بخشم. هدف، پیش‌بینی بلایای طبیعی در مقیاس بزرگ مانند طوفان‌ها در یک دوره زمانی طولانی‌تر، مثلاً ۱۰ روز آینده است. وقتی نتایج پیش‌بینی دقیق و زودهنگام داشته باشیم، آمادگی بهتری خواهیم داشت و خسارات انسانی و مالی را به حداقل خواهیم رساند.» دکتر تران نگوک وین (دانشگاه میشیگان، ایالات متحده آمریکا)

به طور خاص، او مستقیماً مسئول طراحی، برنامه‌نویسی و آموزش مدل هوش مصنوعی برای آزمایش در سراسر ایالات متحده با بیش از ۴۲۰۰۰ رویداد سیل، با دوره پیش‌بینی ۱ تا ۱۰ روز بود. دکتر وین در مورد ویژگی‌های برتر این مدل اظهار داشت: «این مدل می‌تواند سناریوهای پیش‌بینی احتمالی را ارائه دهد - یک عامل کلیدی برای تصمیم‌گیری در زمینه‌های پرخطر و می‌تواند بدون نیاز به ابررایانه، روی یک کامپیوتر معمولی اجرا شود.»

به موازات تحقیقات سیل، دکتر تران نگوک وین همچنین اثری در مورد سیل شهری در مجله Nature Cities منتشر کرد و با اشاره به "حلقه سیل - ارتقاء سیستم‌های فاضلاب - سیل" هشدار داد که رویکرد فعلی برای طراحی سیستم‌های زهکشی بهینه نیست. او امیدوار است این تحقیق را در ویتنام به صورت عملی به کار گیرد، نه تنها با تمرکز بر پیش‌بینی سیل، بلکه با ارائه راه‌حل‌های پیشگیری، و همچنین در خدمت طراحی کارهای پیشگیری از بلایا، بهینه‌سازی سیستم‌های زهکشی سیل در مناطق شهری بزرگ مانند هانوی و هوشی مین سیتی.

منبع: https://tienphong.vn/tien-si-tre-dot-pha-trong-du-bao-lu-post1780398.tpo