AI bevisar sitt värde i klimatkampen – optimerar ventilation, skyddar elnät och kartlägger arktisk havis

Klimatproblemen behöver tekniska lösningar – och AI levererar

Det finns en frestelse att se AI som antingen ett universalverktyg eller ett hot. Men tittar man på den forskning som just nu publiceras från klimat- och energisektorn framträder en mer nyanserad och faktiskt ganska hoppfull bild: AI används för att lösa väldefinierade, verkliga problem där klassiska metoder inte räcker till.

Ta ventilationssystem i byggnader. Det låter kanske trivialt, men byggnaders uppvärmning och kylning svarar för en betydande del av världens energiförbrukning. Forskare presenterar nu ett ramverk där algoritmen PPO – en typ av djupförstärkningsinlärning – tar kontroll över klimatsystemen och levererar bättre temperaturstabilitet och lägre energiförbrukning än traditionella regulatorer. En smart detalj i systemet är att en inbyggd säkerhetslogik automatiskt åsidosätter AI-agentens beslut om koldioxidhalten inomhus överstiger 1 000 ppm. Systemen ska alltså vara smarta, men aldrig på bekostnad av de människor som befinner sig i byggnaderna.

Elnäten måste vara säkra för att vara klimatsmarta

En grön omställning bygger på robusta elnät. Men ju mer digitaliserade och datarika elnäten blir, desto mer exponerade är de för angrepp. Forskare har nu visat hur en angripare kan använda neurala nätverk för att skapa falska mätdata som smiter förbi såväl konventionella som maskininlärningsbaserade detektionssystem – en oroande insikt.

Men forskargruppen stannar inte vid att beskriva problemet. De presenterar även ett försvar: en så kallad cykelrumsdetektor som utnyttjar elnätets fysiska topologi för att sätta gränser för vilka mätavvikelser som överhuvudtaget är fysikaliskt möjliga. Metoden kräver inte exakta ledningsparametrar och bevisas uppnå optimal generaliseringsförmåga. Det är en elegant lösning – man slår tillbaka inte med mer komplexitet, utan med fysikens egna lagar.

Bättre prognoser när verkligheten är rörig

Ett välkänt problem i elkraftsplanering är att mätdata sällan är perfekta. De är brusiga, försenade och ofullständiga. En ny studie undersöker hur den så kallade ensemblescorfiltret (EnSF) kan korrigera energiförbrukningsprognoser löpande över tid. Metoden kombinerar en förtränad rumslig-temporal prognosmodell med diffusionsbaserade poängmodeller – och resultaten är tydliga: ju längre tidshorisonten är, desto mer tappar vanliga modeller i tillförlitlighet, medan EnSF-korrigeringen håller prognoserna på rätt kurs. Jämfört med den etablerade ensemblekalmanfiltret presterar metoden dessutom bättre i de olinjära sammanhang som verkliga energidata ofta uppvisar.

Arktis i högupplösning

Längt från kontorens ventilationsaggregat och elnätens kontrollrum arbetar forskare vid det kanadensiska klimatmodelleringscentret med ett helt annat problem: att förutsäga hur den arktiska havsisen utvecklas säsong för säsong. Det är avgörande information för klimatplanering, sjöfart och riskhantering i en region som förändras snabbare än någon annanstans på planeten.

Deras lösning bygger på betingade variationella autokodare – en typ av generativ modell som tränas att lära sig den faktiska fördelningen av havsisutbredning utifrån klimatmodellens egna, partiska förutsägelser. Genom att byta ut delar av nätverksarkitekturen har teamet dessutom åtgärdat ett känt problem med suddiga förutsägelser. Resultatet är prognoser med högre upplösning, bättre kalibrering och lägre felprocent än tidigare metoder.

En röd tråd genom fyra studier

Vad binder ihop ventilationsstyrning i ett kontorshus, cyberförsvar mot elnätsattacker, bruskorrigering av effektprognoser och arktisk havsisprediktering? Svaret är att AI här inte används för sin egen skull – det är ett verktyg som anpassas till domänens egna förutsättningar och begränsningar. I varje studie finns en medvetenhet om vad som kan gå fel, och i varje studie finns ett svar på det problemet. Det är den typen av forskning som faktiskt rör sig mot praktisk användning.