هوش مصنوعی هواشناسی را متحول می‌کند/ پیش‌بینی سریع‌تر و ارزان‌تر آب و هوا

به گزارش خبرگزاری علم و فناوری آنا به نقل از کانورسیشن، محققان یک سیستم جدید برای پیش‌بینی آب و هوا طراحی کرده‌اند که از هوش مصنوعی (AI) برای دستیابی به نتایجی قابل مقایسه با بهترین مدل‌های موجود استفاده می‌کند و در عین حال از قدرت کامپیوتری بسیار کمتری استفاده می‌کند.

در مقاله‌ای که به تازگی در مجله نیچر منتشر شد، تیمی از محققان از گوگل، ام آی تی، هاروارد و مرکز اروپایی پیش بینی آب و هوای «مدیوم رنج» ​​می‌گویند که مدل آنها صرفه جویی محاسباتی عظیمی را ارائه می‌دهد و می‌تواند شبیه سازی‌های فیزیکی در مقیاس بزرگ را برای درک و پیش‌بینی سیستم زمین که ضروری هستند بهبود بخشد.

مدل «نئورال جی‌سی‌ام» (NeuralGCM) آخرین مدل در یک جریان ثابت از مدل‌های تحقیقاتی است که از پیشرفت‌های یادگیری ماشینی برای پیش‌بینی سریع‌تر و ارزان‌تر آب و هوا و شرایط جوی استفاده می‌کند.

«نئورال جی‌سی‌ام» چیست و چگونه کار می‌کند؟

هدف مدل «نئورال جی‌سی‌ام» ترکیب بهترین ویژگی‌های مدل‌های سنتی با رویکرد یادگیری ماشینی است.

با این حال، «نئورال جی‌سی‌ام» همچنین از یادگیری ماشینی برای برخی از فرآیند‌های فیزیکی کمتر شناخته‌شده، مانند تشکیل ابر استفاده می‌کند. رویکرد ترکیبی اطمینان حاصل می‌کند که خروجی ماژول‌های یادگیری ماشین با قوانین فیزیک سازگار است. سپس می‌توان از مدل به‌دست‌آمده برای پیش‌بینی آب‌وهوای روز‌ها و هفته‌های قبل و همچنین نگاه کردن به ماه‌ها و سال‌های آینده برای پیش‌بینی آب و هوا استفاده کرد.

محققان «نئورال جی‌سی‌ام» را با مدل‌های دیگر با استفاده از مجموعه استانداردی از تست‌های پیش‌بینی به نام «وِدِر بنچ ۲» (WeatherBench ۲) مقایسه کردند. برای پیش‌بینی‌های طولانی‌تر، طی ده و ۱۵ روز، «نئورال جی‌سی‌ام» تقریباً به اندازه بهترین مدل‌های سنتی موجود دقیق بود.

«نئورال جی‌سی‌ام» همچنین در پیش‌بینی پدیده‌های آب و هوایی کمتر رایج، مانند طوفان‌های استوایی و رودخانه‌های جوی کاملاً موفق بود.

چرا یادگیری ماشینی؟

مدل‌های یادگیری ماشینی مبتنی بر الگوریتم‌هایی هستند که الگو‌ها را از داده‌هایی که با آنها تغذیه می‌شوند، یاد می‌گیرند، سپس از این یادگیری برای پیش‌بینی استفاده می‌کنند. از آنجایی که سیستم‌های آب و هوا بسیار پیچیده هستند، مدل‌های یادگیری ماشینی به مقادیر زیادی مشاهدات تاریخی و داده‌های ماهواره‌ای برای آموزش نیاز دارند.

فرآیند آموزش بسیار پرهزینه است و نیاز به نیروی کامپیوتری زیادی دارد. با این حال، پس از آموزش یک مدل، استفاده از آن برای پیش‌بینی سریع و ارزان است و در واقع این بخش بزرگی از جذابیت آنها برای پیش بینی آب و هوا است.

در این روش هزینه آموزش بالاست، اما استفاده از مدل‌های یادگیری ماشینی بسیار کم هزینه است. برای مثال، طبق گزارش‌ها، آموزش «جی‌پی‌تی-۴» (GPT-۴) با هزینه بیش از ۱۰۰ میلیون دلار چندین ماه طول کشید، اما می‌تواند در چند لحظه به یک درخواست پاسخ دهد.

نقطه ضعف مدل‌های یادگیری ماشین این است که آنها اغلب در موقعیت‌های ناآشنا یا شرایط آب و هوایی شدید یا بی‌سابقه، دچار مشکل یا خطا می‌شوند. برای انجام این کار، یک مدل باید قادر به تعمیم یا برون یابی فراتر از داده‌هایی باشد که روی آن آموزش دیده است.

به نظر می‌رسد که «نئورال جی‌سی‌ام» در این امر بهتر از سایر مدل‌های یادگیری ماشینی است، زیرا هسته مبتنی بر فیزیک آن زمینه را در واقعیت فراهم می‌کند. با تغییر آب و هوای زمین، شرایط آب و هوایی بی‌سابقه رایج‌تر می‌شود و نمی‌دانیم که مدل‌های یادگیری ماشینی تا چه اندازه به آن ادامه می‌دهند.

هنوز هیچ کس از مدل‌های هواشناسی مبتنی بر یادگیری ماشین برای پیش بینی روزانه استفاده نمی‌شوند. با این حال، این یک حوزه تحقیقاتی بسیار فعال است که می‌توانیم مطمئن باشیم که پیش‌بینی‌های آینده شامل یادگیری ماشینی خواهد بود.