برای نخستین بار، یک هوش مصنوعی مبتنی بر فیزیک مخزن پنهان کربن در بستر اقیانوس را کمیت‌سنجی کرد

بستر اقیانوس واقعاً چقدر کربن را به دام می‌اندازد و چه مقدار از آن به آب نشت می‌کند؟ یک مدل جدید هوش مصنوعی مبتنی بر فیزیک، نخستین پاسخ جهانی را برای این پرسش ارائه کرده است: ۱۱ درصد از کربن آلی ذرات که به بستر دریا می‌رسد، دوباره در اقیانوس حل می‌شود، در حالی که ۲۴ درصد آن با اتصال به مواد معدنی برای همیشه محبوس می‌گردد. تبادل دقیق کربن آلی محلول میان آب دریا و رسوبات دریایی مدت‌هاست که به‌عنوان یک متغیر گمشده در مدل‌های اقلیمی جهانی باقی مانده است، عمدتاً به این دلیل که اجرای معادلات مکانیکی زیربنایی آن در مقیاس سیاره‌ای از نظر محاسباتی بسیار پرهزینه بود.[1][2]

این پیشرفت که در ۸ سپتامبر ۲۰۲۶ در نشریه The Innovation منتشر شد، بر آموزش شبیه‌سازهای هوش مصنوعی برای تقلید از رفتار مدل‌های مکانیکی بسیار پیچیده موجود متکی است. پژوهشگران دانشگاه منچستر (University of Manchester) به سرپرستی دکتر پیمان باباخانی، دریافتند که حل مدل‌های عددی سنتی محیط‌های طبیعی به‌شدت زمان‌بر است و اغلب در شرایط متنوع دنیای واقعی ناپایدار عمل می‌کند. با انتقال بار محاسباتی به یک چارچوب هوش مصنوعی، این تیم توانست رفتار کربن آلی محلول را در یک وضوح جهانی که پیش از این غیرممکن بود، پیش‌بینی کند.[1][2]

داده‌ها مقیاس عظیم مخزن کربن بستر دریا را آشکار می‌کنند. بر اساس این مطالعه، حدود ۵۰ درصد از کل کربن آلی فاز جامد در یک متر بالایی رسوبات دریایی، از کربن محلولی نشأت می‌گیرد که جذب مواد معدنی شده است. این جذب معدنی به‌عنوان یک مکانیسم ذخیره‌سازی عظیم و بلندمدت عمل می‌کند و مانع از ورود مجدد کربن به ستون آب و در نهایت به جو می‌شود.[1][2][3]

این پژوهش همچنین نقش نادیده گرفته‌شده اعماق اقیانوس را برجسته می‌کند. یافته‌ها نشان می‌دهند که سهم دشت مغاکی (abyssal plain) در خروج و حفظ کربن آلی محلول جهانی، معادل نیمی از سهم حاشیه‌های قاره‌ای است. از نظر تاریخی، مطالعات چرخه کربن به‌شدت بر فلات‌های ساحلی متمرکز بوده‌اند، اما این مدل هوش مصنوعی تأیید می‌کند که بستر پهناور و عمیق اقیانوس نقش ریاضی قابل‌توجهی در بودجه بلندمدت کربن زمین ایفا می‌کند.[2][3]

به‌طور غیرمنتظره‌ای، این پروژه یافته‌ای درباره خود هوش مصنوعی نیز به همراه داشت. در توسعه چارچوب مدل‌سازی، پژوهشگران منچستر معماری‌های پیچیده یادگیری عمیق، مدل‌های جنگل تصادفی و شبکه‌های عصبی مصنوعی پیش‌خور (feedforward) ساده‌تر را با یکدیگر مقایسه کردند. ساده‌ترین الگوریتم‌ها به‌طور مداوم دقیق‌ترین پیش‌بینی‌ها را تولید کردند و اصل ریاضی ایجاز (parsimony) را به قلمرو هوش مصنوعی مبتنی بر فیزیک بسط دادند.[1][2]

محدودیت اصلی این چارچوب جدید در اتکای آن به شبیه‌سازی نهفته است. از آنجا که هوش مصنوعی برای بازتولید خروجی‌های یک مدل مکانیکی موجود آموزش دیده است و نه نمونه‌برداری فیزیکی مستقیم در سراسر بستر جهانی دریا، دقت آن ذاتاً به مفروضات مدل عددی اولیه محدود می‌شود. پژوهشگران اذعان دارند که اگرچه هوش مصنوعی گلوگاه محاسباتی را حل می‌کند، اما اعتبارسنجی فیزیکی از طریق نمونه‌برداری از هسته رسوبات اعماق دریا برای تأیید درصدهای دقیق همچنان ضروری است.[2][3]

با وجود این محدودیت، این ابزار کاربرد فوری برای علوم اقلیمی ارائه می‌دهد. کمیت‌سنجی بودجه‌های کربن در سراسر رابط رسوب و آب به پژوهشگران اجازه می‌دهد تا این فرآیندهای رسوبی را مستقیماً در مدل‌های گردش جهانی ادغام کنند. دکتر باباخانی در بیانیه دانشگاه خاطرنشان کرد: «با این رویکرد، ما در نهایت می‌توانیم فرآیندهای چرخه کربن در مقیاس جهانی را که پیش از این کمیت‌سنجی آن‌ها غیرممکن بود، کاوش کنیم.»[1][2]

فاز بعدی این پژوهش، شبیه‌سازها را در سناریوهای اقلیمی آینده به کار خواهد گرفت. با ارائه روشی سریع، مقیاس‌پذیر و دقیق برای نمایش فرآیندهای کربن رسوبی، این چارچوب می‌تواند برای آزمایش راهبردهای بالقوه کاهش تغییرات اقلیمی مبتنی بر اقیانوس به‌صورت رایانه‌ای (in silico) استفاده شود و شبیه‌سازی کند که مخازن کربن دریایی چگونه به گرمایش اقیانوس‌ها و تغییر اسیدیته در دهه‌های آینده واکنش نشان خواهند داد.[1][2]