Att ta itu med och mildra effekterna av klimatförändringarna kräver en kollektiv ansträngning som kommer att föra våra styrkor till industrin, regeringen, den akademiska världen och det civila samhället. När vi fortsätter att utforska teknikens roll för att främja det möjligas konst, lanserar vi Microsoft Climate Research Initiative (MCRI). Denna multidisciplinära gemenskap av forskare arbetar tillsammans för att påskynda spetsforskning och transformativ innovation inom klimatvetenskap och klimatteknik.
MCRI gör det möjligt för oss att föra Microsofts forskningskapacitet och beräkningskapacitet till ett djupt och pågående samarbete med domänexperter. För att starta detta initiativ fokuserar vi på tre kritiska områden inom klimatforskning där beräkningsmässiga framsteg kan leda till stora vetenskapliga förändringar: att ta bort begränsningar för avkarbonisering, minska osäkerheter i koldioxidredovisning och bättre bedöma klimatrisker.
Genom dessa samarbetsprojekt hoppas vi kunna utveckla och upprätthålla ett mycket engagerat forskningsekosystem med olika perspektiv. Forskare kommer att erbjuda transdisciplinära och mångsidiga erfarenheter, särskilt inom områden utanför traditionell datavetenskap, såsom miljövetenskap, kemi och olika ingenjörsdiscipliner. Alla resultat av detta initiativ förväntas bli offentliga och fritt tillgängliga för att leda till större forskning och framsteg i dessa viktiga klimatfrågor.
“Som forskare är vi glada över att arbeta tillsammans i projekt som är specifikt utvalda för deras potentiella inverkan på globala klimatfrågor. Våra kompletterande styrkor med Microsofts datorkapacitet och våra anställdas domänexpertis kan påskynda framstegen på otroliga sätt.”
– Karin Strauss, Microsoft
Microsofts forskare kommer att arbeta med kollaboratörer globalt för att tillsammans utforska prioriterade klimatrelaterade ämnen och föra innovativ forskning i världsklass till prestigefyllda tidskrifter och arenor.
Samarbeten i första skedet
Koldioxidredovisning
Realtidsövervakning av koldioxidkontrollframsteg från CO2 och observationer av luftföroreningar med ett fysiskt medvetet transformatorbaserat neuralt nätverk
Jia Xing, Tsinghua University; Siwei Li, Wuhan University; Shuxin Zheng, Chang Liu, Shun Zheng och Wei Cao, Microsoft
Att förstå förändringen i CO2-utsläpp från CO-mätning2-koncentrationer gjorda av satelliter är mycket användbart för att övervaka framstegen i realtid för åtgärder för att minska koldioxidutsläppen. Aktuella CO2-observationer är relativt begränsade: metoder baserade på numeriska modeller har mycket låg beräkningseffektivitet. Syftet med den föreslagna forskningen är att utveckla en ny metod som kombinerar atmosfärisk numerisk modellering och maskininlärning för att extrahera CO.2-utsläpp från satellitobservationer och markövervakningssensordata.
Artificiell intelligens-baserad nära realtids global koldioxidbudget (ANGCB)
Zhu Liu, Tsinghua University; Biqing Zhu och Philippe Ciais, LSCE; Steven J. Davis, UC Irvine; Wei Cao och Jiang Bian, Microsoft
Begränsning av klimatförändringar kommer att bero på en koldioxidutsläppsbana som framgångsrikt uppnår koldioxidneutralitet till 2050. För detta ändamål är uppskattningen av den globala koldioxidbudgeten viktig. Projektet Artificiell intelligens-baserad nära realtids Global Carbon Budget (ANGCB) syftar till att tillhandahålla världens första globala uppskattning av koldioxidbudgeten baserad på artificiell intelligens (AI) och andra datavetenskapliga teknologier.
Kolreduktion och avlägsnande
Beräkningsmässig upptäckt av nya metall-organiska ramverk för kolbindning
Jeffrey Long, UC Berkeley; Xiang Fu, Jake Smith, Bichlien Nguyen, Karin Strauss, Tian Xie, Daniel Zuegner och Chi Chen, Microsoft
CO-borttagning2 förväntas vara en integrerad del av att hålla temperaturökningen från omgivningen under 1,5°C. Men idag är det en ineffektiv och dyr verksamhet. Detta projekt kommer att tillämpa generativ maskininlärning på utformningen av nya metallorganiska ramverk (MOF) för att optimera lågkostnadsavskiljning av CO2 från luft och andra utspädda gasströmmar.
Utvärdering av flytande metallkatalyserad CO2 Minskning
Michael D. Dickey, delstaten North Carolina; Kurosh Kalantar-Zadeh, University of New South Wales; Kali Frost, Bichlien Nguyen, Karin Strauss, och Jake Smith, Microsoft
CHO2-reduktionsprocessen kan användas för att omvandla infångat kol till en lagringsbar form, samt för att producera hållbara bränslen och material med mindre miljöpåverkan. Detta projekt kommer att utvärdera flytande metallbaserade reduktionsprocesser, identifiera fördelar, flaskhalsar och förbättringsmöjligheter som behövs för att nå industriell skala. Detta kommer att ge en grund för att förbättra katalysatorer och ta bort flaskhalsar i skala.
Beräkningsdesign och karakterisering av organiska elektrolyter för flödesbatterier och kolinfångningsapplikationer
David Kwabi, Anne McNeil och Bryan Goldsmith, University of Michigan; Bichlien Nguyen, Karin Strauss, Jake Smith, Ziheng Lu, Yingce Xia och Kali Frost, Microsoft
Energilagring är avgörande för att säkerställa 100 % koldioxidfri elproduktion. Detta arbete kommer att använda generativa maskininlärningsmodeller och kvantmekanisk modellering för att upptäcka och optimera en ny klass av organiska molekyler för energieffektiv elektrokemisk energilagring och kolavskiljning.
Förutsägelse av egenskaper hos återvinningsbara polymerer
Aniruddh Vashisth, University of Washington; Bichlien Nguyen, Karin Strauss, Jake Smith, Kali Frost, Shuxin Zheng och Ziheng Lu, Microsoft
Trots uppmuntrande framsteg inom återvinning, slutar många plastpolymerer ofta som engångsmaterial. Plasten som utgör de tryckta kretskorten (PCB) som finns i alla moderna enheter är bland de svåraste att återvinna. Vitrimerer, en ny klass av polymerer som kan återvinnas upprepade gånger utan betydande förändringar i materialegenskaper, erbjuder ett lovande alternativ. Detta projekt kommer att använda framsteg inom maskininlärning för att välja vitrimerformuleringar som klarar de krav som ställs av deras användning i PCB.
Upptäckt av accelererade gröna cementmaterial
Eleftheria Roumeli, University of Washington; Kristen Severson, Yuan-Jyue Chen, Bichlien Nguyen och Jake Smith, Microsoft
Betongindustrin är en stor bidragsgivare till utsläppen av växthusgaser, varav merparten kan hänföras till cement. Upptäckten av alternativa cement är ett lovande sätt att minska industrins miljöpåverkan. Detta projekt kommer att använda maskininlärningstekniker för att påskynda optimeringen av de mekaniska egenskaperna hos “gröna” cement som möter applikationskvalitetsbegränsningar samtidigt som koldioxidavtrycken minimeras.
Miljömässig hållbarhet
Causal inference for Understanding the Impact of Humanitarian Interventions on Food Security in Africa
Gustau Camps-Valls, Valencias universitet; Ted Shepherd, University of Reading; Alberto Arribas Herranz, Emre Kiciman och Lester Mackey, Microsoft
Causal4Africa-projektet kommer att undersöka problemet med livsmedelstrygghet i Afrika ur ett nytt orsaksperspektiv. Projektet kommer att demonstrera användbarheten av orsaksupptäckt och konsekvensanalys från observationsdata med interventionsanalys. Ambitiöst kommer det att öka användbarheten av kausala ML-metoder för klimatriskbedömning genom att möjliggöra tolkning och bedömning av sannolikheten och potentiella konsekvenserna av specifika ingrepp.
Förbättra säsongsprognoser med maskininlärning
Judah Cohen, Verisk; Dara Entekhabi och Sonja Totz, MIT; Lester Mackey, Alberto Arribas Herranz och Bora Özaltun, Microsoft
Vatten- och brandchefer förlitar sig på säsongsprognoser två till sex veckor i förväg för att tilldela vatten, hantera skogsbränder och förbereda sig för torka och andra väderförhållanden. Men på grund av det komplexa beroendet av lokala väderförhållanden, global klimatvariation och vädrets kaotiska natur, saknas skickliga prognoser för lågsäsongsregimen. För att möta detta behov kommer detta projekt att använda maskininlärning för att adaptivt korrigera fördomar i traditionella fysikbaserade förutsägelser och matcha förutsägelser från olika modeller.
Få framstegsuppdateringar och nya resurser för att påskynda hållbarhetsvetenskaplig forskning >
