NeuralGCM: گوگل از هوش مصنوعی برای پیش‌بینی سریع و دقیق هوا استفاده می‌کند
در یک دستاورد مهم برای پیش‌بینی دقیق وضعیت هوا، محققان گوگل یک روش جدید مبتنی بر یادگیری ماشین (ML) به نام NeuralGCM را توسعه داده‌اند تا جو زمین را شبیه‌سازی کنند.
با همکاری مرکز پیش‌بینی وضع هوای میان‌مدت اروپا (ECMWF)، NeuralGCM مدل‌سازی سنتی مبتنی بر فیزیک را با یادگیری ماشین ترکیب می‌کند تا دقت و کارایی شبیه‌سازی را بهبود بخشد.
به گفته گوگل، این روش پیش‌بینی‌های 2 تا 15 روزه از آب و هوا را که دقیق‌تر از مدل فیزیکی استاندارد فعلی است ایجاد می‌کند و دماها را در طول یک دوره 40 ساله گذشته بهتر از مدل‌های سنتی جوی بازتولید می‌کند.
“اگرچه ما هنوز NeuralGCM را به یک مدل کامل اقلیمی تبدیل نکرده‌ایم، اما این یک گام مهم به سمت توسعه مدل‌های اقلیمی قدرتمندتر و قابل دسترس‌تر است،” گوگل گفت.
ترکیب فیزیک و هوش مصنوعی
در حالی که تکنیک‌های جدید یادگیری ماشین که با یادگیری از سال‌ها داده‌های گذشته هوا را پیش‌بینی می‌کنند بسیار سریع و کارآمد هستند، به گفته گوگل، آنها می‌توانند برای پیش‌بینی‌های بلندمدت نیاز به کمک داشته باشند.
مدل‌های گردشی عمومی، از سوی دیگر، در 50 سال گذشته حاکم بر پیش‌بینی هوا بوده‌اند.
آنها از معادلات پیچیده‌ای برای مدل‌سازی تغییرات در جو و ارائه پیش‌بینی‌های دقیق استفاده می‌کنند، اما اجرای آنها بسیار کند و پرهزینه است.
متخصصان در مورد اینکه کدام ابزار در آینده قابل اعتمادتر خواهد بود نظرات مختلفی دارند. با این حال، رویکرد جدید گوگل تلاش می‌کند تا هر دو را ترکیب کند.
“این فیزیک در مقابل هوش مصنوعی نیست. در واقع ترکیب فیزیک و هوش مصنوعی است،” استفان هوایر، محقق هوش مصنوعی در گوگل ریسرچ، گفت.
رویکرد جدید از یک مدل متعارف برای محاسبه برخی از تغییرات بزرگ جوی که برای پیش‌بینی لازم است استفاده می‌کند.
سپس از هوش مصنوعی استفاده می‌کند که تمایل دارد در جایی که مدل‌های بزرگتر ناکام می‌مانند عمل کند—به طور معمول برای پیش‌بینی‌ها در مقیاس‌های کوچکتر از 25 کیلومتر، مانند آن‌هایی که با تشکیل ابرها یا اقلیم‌های منطقه‌ای سروکار دارند.
“در آنجایی که ما به طور گزینشی از هوش مصنوعی استفاده می‌کنیم تا خطاهایی که در مقیاس‌های کوچک جمع می‌شوند را تصحیح کنیم،” هوایر گفت.
مدل‌سازی اقلیمی با NeuralGCM
به گفته گوگل، اگرچه مدل‌های سنتی اقلیمی در طول دهه‌ها بهبود یافته‌اند، اما اغلب به دلیل عدم درک کامل دانشمندان از اقلیم زمین و نحوه ساخت مدل‌ها، خطاها و بایاس‌هایی تولید می‌کنند.
مدل‌های سنتی زمین را به مکعب‌هایی تقسیم می‌کنند—معمولا 50 تا 100 کیلومتر در هر طرف افقی—که از سطح به جو گسترش می‌یابند و سپس پیش‌بینی می‌کنند که در هر مکعب در طول زمان چه اتفاقی برای هوا می‌افتد.
برای انجام پیش‌بینی‌ها، آنها محاسبه می‌کنند چگونه هوا و رطوبت بر اساس قوانین فیزیک خوب برقرار شده حرکت می‌کنند.
با این حال، بسیاری از فرآیندهای مهم اقلیمی، از جمله ابرها و بارش‌ها، بر مقیاس‌های بسیار کوچکتر (میلی‌متر تا کیلومتر) نسبت به ابعاد مکعب‌های استفاده شده در مدل‌های فعلی متغیر هستند و بنابراین نمی‌توان آنها را بر اساس فیزیک محاسبه کرد.
دانشمندان نیاز به درک کامل فیزیکی برخی از فرآیندها، مانند تشکیل ابرها، دارند.
این مدل‌های سنتی فقط به اصول اولیه تکیه ندارند. به جای آن، آنها از مدل‌های ساده‌شده‌ای برای تولید تخمین‌ها به نام پارامترسازی‌ها استفاده می‌کنند تا فرآیندهای مقیاس کوچک و کمتر درک‌شده را شبیه‌سازی کنند.
این تخمین‌های ساده‌شده به طور ذاتی دقت مدل‌های اقلیمی مبتنی بر فیزیک را محدود می‌کنند.
مثل یک مدل سنتی، NeuralGCM جو زمین را به مکعب‌هایی تقسیم می‌کند و محاسباتی را در فیزیک فرآیندهای بزرگ مقیاس مانند حرکت هوا و رطوبت انجام می‌دهد.
اما به جای تکیه به پارامترسازی‌هایی که توسط دانشمندان برای شبیه‌سازی جنبه‌های کوچک مانند تشکیل ابرها فرموله شده‌اند، از یک شبکه عصبی برای یادگیری فیزیک آن رویدادها از داده‌های جوی موجود استفاده می‌کند.
گوگل ادعا کرد که یک مجموعه از مدل‌های NeuralGCM را با استفاده از داده‌های جوی ECMWF از سال 1979 تا 2019 در رزولوشن‌های 0.7°، 1.4°، و 2.8° آموزش داده است.
“اگرچه مدل‌های ما بر روی پیش‌بینی‌های جوی آموزش داده شده‌اند، ما NeuralGCM را به عنوان یک مدل جوی چندمنظوره طراحی کردیم،” گوگل گفت.
