النماذج المناخية والطقسية المدعومة بالذكاء الاصطناعي تغير مستقبل التنبؤات الجوية
Sanaa Hobeichi
يستخدم نظام جديد للتنبؤ بالطقس والتنبؤ بالمناخ المستقبلي الذكاء الاصطناعي لتحقيق نتائج قابلة للمقارنة مع أفضل النماذج الحالية مع استخدام طاقة حاسوبية أقل بكثير، وفقًا لمطوريه.
في ورقة بحثية نُشرت في مجلة Nature، يقول فريق من الباحثين من Google ومعهد ماساتشوستس للتكنولوجيا وجامعة هارفارد والمركز الأوروبي للتنبؤات الجوية متوسطة المدى، إن نموذجهم يقدم “توفيرًا هائلًا في الحوسبة” ويمكنه “تعزيز المحاكاة الفيزيائية واسعة النطاق التي تعتبر أساسية لفهم وتنبؤ نظام الأرض”.
نموذج NeuralGCM هو الأحدث في سلسلة ثابتة من نماذج البحث التي تستخدم التطورات في التعلم الآلي لجعل التنبؤات الجوية والمناخية أسرع وأرخص.
ما هو NeuralGCM؟
يهدف نموذج NeuralGCM إلى دمج أفضل ميزات النماذج التقليدية مع نهج التعلم الآلي.
في جوهره، يعدُّ NeuralGCM نموذجًا يُسمى “نموذج الدوران العام”. يحتوي على وصف رياضي للحالة الفيزيائية للغلاف الجوي للأرض، ويحل معادلات معقدة للتنبؤ بما سيحدث في المستقبل.
ومع ذلك، يستخدم NeuralGCM أيضًا التعلم الآلي لبعض العمليات الفيزيائية الأقل فهمًا، مثل تكوين السحب. ويضمن النهج الهجين أن تكون مخرجات وحدات التعلم الآلي متوافقة مع قوانين الفيزياء.
يمكن بعد ذلك استخدام النموذج الناتج للتنبؤ بالطقس لأيام وأسابيع مقدمًا، وكذلك للتنبؤات المناخية على مدى أشهر وسنوات.
قارن الباحثون NeuralGCM بنماذج أخرى باستخدام مجموعة موحدة من اختبارات التنبؤ تسمى WeatherBench 2. بالنسبة لتنبؤات الأيام الثلاثة والخمسة، كان أداء NeuralGCM جيدًا مثل نماذج الطقس الأخرى القائمة على التعلم الآلي مثل Pangu وGraphCast. أما بالنسبة للتنبؤات طويلة المدى، التي تتجاوز العشرة وخمسة عشر يومًا، فكان أداء NeuralGCM مشابهًا لأفضل النماذج التقليدية الموجودة.
كان NeuralGCM ناجحًا أيضًا في التنبؤ بالظواهر الجوية الأقل شيوعًا، مثل الأعاصير المدارية والأنهار الجوية.
لماذا التعلم الآلي؟
تعتمد نماذج التعلم الآلي على خوارزميات تتعلم الأنماط من البيانات التي تُغذى بها، ثم تستخدم هذا التعلم لإجراء التنبؤات. نظرًا لأن نظم المناخ والطقس معقدة للغاية، تتطلب نماذج التعلم الآلي كميات هائلة من الملاحظات التاريخية وبيانات الأقمار الصناعية للتدريب.
عملية التدريب مكلفة جدًا وتتطلب الكثير من طاقة الحوسبة. ومع ذلك، بعد تدريب النموذج، يصبح استخدامه لإجراء التنبؤات سريعًا ورخيصًا. هذه هي جزء كبير من جاذبيتها لتنبؤات الطقس.
تشبه التكلفة العالية للتدريب والتكلفة المنخفضة للاستخدام نماذج التعلم الآلي الأخرى. على سبيل المثال، استغرق تدريب GPT-4، حسبما ورد، عدة أشهر بتكلفة تزيد على 100 مليون دولار أميركي، ولكنه يمكن أن يستجيب لاستفسار في لحظات.
من نقاط ضعف نماذج التعلم الآلي أنها غالبًا ما تكافح في المواقف غير المألوفة، الظروف الجوية القصوى أو غير المسبوقة. لتحقيق ذلك، يحتاج النموذج إلى القدرة على التعميم، أو الاستنتاج خارج نطاق البيانات التي تم تدريبه عليها.
يبدو أن NeuralGCM يتفوق في هذا على نماذج التعلم الآلي الأخرى، لأن جوهره المستند إلى الفيزياء يوفر بعض الأسس في الواقع. مع تغير مناخ الأرض، ستصبح الظروف الجوية غير المسبوقة أكثر شيوعًا، ولا نعرف مدى قدرة نماذج التعلم الآلي على مواكبة ذلك.
لا أحد فعليًا يستخدم نماذج الطقس القائمة على التعلم الآلي للتنبؤات اليومية حتى الآن. ومع ذلك، فإنها منطقة بحث نشطة جدًا، وبطريقة أو بأخرى، يمكننا أن نكون واثقين من أن التنبؤات المستقبلية ستشمل التعلم الآلي.
المصدر: The Conversation