تتوقع Google AI اتجاهات المناخ الطويلة المدى والطقس - في غضون دقائق قليلة

نموذج الكمبيوتر الذي يجمع بين تقنية التنبؤات بالطقس التقليدية والتعلم الآلي له أدوات ذكاء اصطناعي آخر (KI) على التنبؤ بسيناريوهات الطقس واتجاهات المناخ على المدى الطويل .

الأداة ، التي تم وصفها في 22 يوليو في Nature 1 نموذج التعلم الذي يولد ثوايا الجهاز الدقيق-هذا تمثل هذا التصنيف. يفتح تطوره الباب للتنبؤات التي تكون أسرع وأقل كثافة في الطاقة من الأدوات الموجودة وأكثر تفصيلاً من الأساليب التي تستند حصريًا على الذكاء الاصطناعي.

"يجب تنفيذ نماذج المناخ التقليدية على أجهزة الكمبيوتر العملاقة. هذا نموذج يمكنك تنفيذه في دقائق" ، كما يقول Study Mitar Stephan Hoyer ، الذي يدرس في Google Research في Mountain View ، كاليفورنيا ، التعلم العميق.

تعتمد النظم التنبؤية الحالية عادة على نماذج الدورة الدموية العامة (GCMS) ، والبرامج التي تعتمد على قوانين الفيزياء لمحاكاة العمليات في المحيطات وأجواء الأرض والتنبؤ كيف يمكن أن تؤثر على الطقس والمناخ. ومع ذلك ، تتطلب GCMs الكثير من قوة الحوسبة ، ويوفر التقدم في التعلم الآلي بديلاً أكثر كفاءة. يقول هوير: "لدينا Terabyte أو Petabyte (مليون مرة أكبر من Gigabyte) من بيانات الطقس التاريخية". "من خلال التعلم من هذه الأنماط ، يمكننا بناء نماذج أفضل."

هناك بالفعل بعض نماذج التعلم الآلي مثل Pangu-Weather ، والتي تم إنشاؤها بواسطة مجموعة التكنولوجيا Huawei ، ومقرها في Shenzhen ، China ، و Graphcast by DeepMind مع المقر الرئيسي في لندن. هذه النماذج لها مستويات مماثلة من الدقة باعتبارها GCMs النموذجية للتنبؤات الحتمية - وهو نهج يولد توقعات الطقس الواحدة. ومع ذلك ، فإن GCMs ليست موثوقة للغاية لتوقعات الفرقة أو توقعات المناخ طويلة المدى.

النموذج الهجين

قام هوير وفريقه بتطوير وتدرس NeuralGCM ، وهو نموذج يجمع بين "جوانب من إجراءات القرض في الغلاف الجوي التقليدية مع بعض مكونات الذكاء الاصطناعي". لقد استخدموا النموذج لإنشاء توقعات الطقس القصيرة والطويلة الأجل والتوقعات المناخية. من أجل تقييم دقة NeuralGCM ، قارن الباحثون تنبؤاته ببيانات العالم الحقيقي وكذلك إنفاق النماذج الأخرى ، بما في ذلك GCMs وتلك التي تستند إلى التعلم الآلي.

مثل نماذج التعلم الآلي الحالي ، تمكنت NeuralGCM من إنتاج تنبؤات الطقس القصيرة المدى المحددة - بين يوم وثلاثة أيام قبل استهلاك جزء من الطاقة المطلوبة لـ GCMs. عند إنتاج توقعات طويلة المدى على مدار سبعة أيام ، ارتكبت أخطاء أقل بكثير من نماذج التعلم الميكانيكية الأخرى. في الواقع ، كانت التوقعات طويلة الأجل لـ NeuralGCM مماثلة لتنبؤات نموذج المجموعة للمركز الأوروبي لتوقعات الطقس المتوسطة المدى (ECMWF-EN) ، وهو GCM يعتبر على نطاق واسع معيارًا ذهبيًا لتوقعات الطقس.

اختبر الفريق أيضًا مدى جودة النموذج الذي يمكن أن يتنبأ به ظواهر الطقس المختلفة ، مثل الأعاصير الاستوائية. ووجدوا أن العديد من نماذج التعلم الآلي النقي قدمت تنبؤات غير متسقة وغير دقيقة مقارنة بكل من NeuralGCM و ECMWF-EN. حتى أن الباحثين قارنوا NeuralGCM مع نماذج المناخ عالية الدقة ، والتي تعرف باسم نماذج حل العاصفة العالمية. تمكنت NeuralGCM من إنتاج أرقام ومسارات أكثر واقعية ومسارات استوائية في وقت أقصر.

إن القدرة على التنبؤ بمثل هذه الأحداث "مهمة للغاية لتحسين مهارات القرار والاستراتيجيات التحضيرية" ، كما يقول Hosking.

يرغب هوير وزملاؤه في تحسين الصقل والتكيف. يقول هوير: "لقد عملنا في الجزء الجوي من نمذجة نظام الأرض ... ربما يكون الجزء الأكثر تأثيرًا على الطقس اليومي". ويضيف أن الفريق يريد دمج المزيد من جوانب علوم الأرض في الإصدارات المستقبلية لزيادة تحسين دقة النموذج.