گوگل اخیراً یک مدل هوش مصنوعی جدید را توسعه داده و در دسترس قرار داده است که ادعا میکند میتواند پیشبینی آب و هوا را در مقیاس وسیع و با هزینهای کمتر از روشهای پیشبینی سنتی مبتنی بر فیزیک انجام دهد. این مدل با نام «نمونهگیر انتشار آنسامبل مقیاسپذیر» یا به اختصار SEEDS، طوری طراحی شده که شباهتهای زیادی به مدلهای زبان بزرگ محبوب (LLMs) مانند ChatGPT و ابزارهای هوش مصنوعی مولد مانند «سورا» (Sora) که از طریق متن ویدیو تولید میکند، دارد.
مدل SEEDS قادر است مجموعههای بسیار وسیعتر یا سناریوهای آبوهوایی متعددی را بسیار سریعتر و ارزانتر از مدلهای پیشبینی سنتی تولید کند. یافتههای تیم توسعه این مدل هوش مصنوعی در مقالهای که روز 29 مارس (10 فروردين) در مجله Science Advances منتشر گردیده، شرح داده شده است.
پیشبینی آب و هوا به دلیل وجود متغیرهای بسیاری که میتوانند منجر به رویدادهای آب و هوایی ویرانگر میشوند (از طوفانهای حارهای گرفته تا امواج گرما)، دشوار است. با وخامت اوضاع تغییرات اقلیمی و رواج بیشتر شرایط آب و هوایی شدید، پیشبینی دقیق آب و هوا میتواند با دادن زمان کافی به مردم برای آماده شدن در برابر بدترین تأثیرات بلایای طبیعی، جان انسانها را نجات دهد.
پیشبینیهای مبتنی بر فیزیک که در حال حاضر توسط سرویسهای هواشناسی استفاده میشود، پارامترهای مختلفی را اندازهگیری کرده و سپس با جمعآوری نتایج، یک پیشبینی نهایی ارائه میدهند که میانگین بسیاری از پیشبینیهای مدلسازیشده مختلف را بر اساس تمام متغیرها ارائه میکند. در واقع، در روش سنتی پیشبینی آب و هوا، به جای اینکه یک پیشبینی واحد ارائه شود، روی مجموعهای از پیشبینیها که مجموعهای از وضعیتهای احتمالی آینده را تشریح میکنند، تمرکز شده و سپس میانگین آنها به عنوان پیشبینی نهایی ثبت میشود.
این بدان معناست که اکثر پیشبینیهای آب و هوا اغلب برای شرایط عادی مانند آب و هوای ملایم یا روزهای گرم تابستان دقیق هستند، اما تولید مدلهایی که بتوانند با دقت بالا رویدادهای آب و هوایی شدید را پیشبینی کنند، برای اکثر سرویسها غیرقابل دستیابی است.
پیشبینیهای فعلی همچنین از مدلهای پیشبینی قطعی یا احتمالی استفاده میکنند که در آنها متغیرهای تصادفی نیز بسیار حائز اهمیت هستند. در پیشبینی قطعی، از معادلات پیچیده فیزیکی برای پیشبینی وضعیت آینده آب و هوا بر اساس شرایط فعلی استفاده میشود. این گونه مدلها در پیشبینی شرایط آب و هوایی معمولی مانند روزهای آفتابی یا بارانی نسبتاً دقیق هستند. اما مدلهای پیشبینی احتمالی، به جای ارائه یک پیشبینی قطعی، مجموعهای از پیشبینیهای احتمالی برای یک رویداد آبوهوایی خاص ارائه میشود. این مدلها عدم قطعیت ذاتی در سیستمهای آب و هوایی را در نظر میگیرند و میتوانند محدوده احتمالی شرایط آینده را نشان دهند.
اما چیزی که در این بین مشترک است، این است که هر دوی این روشهای پیشبینی با چالشی به نام افزایش سریع نرخ خطا مواجه هستند. به این معنی که هر چه زمان پیشبینی بیشتر باشد یا رویداد آب و هوایی شدیدتر باشد، دقت پیشبینیها کاهش مییابد. در واقع، خطاهای پیشبینینشده در شرایط اولیه میتوانند به شدت بر نتیجه پیشبینی تأثیر بگذارند زیرا متغیرها به صورت تصاعدی در طول زمان افزایش مییابند و مدلسازی پیشبینیهایی که بتوانند همه متغیرها را با جزئیات ریز در نظر بگیرند، پرهزینه است.
دانشمندان گوگل برآورد کردهاند که برای پیشبینی رویدادهایی که تنها 1 درصد احتمال وقوع دارند، به 10000 پیشبینی در یک مدل نیاز است.
مدل SEEDS مدلهای پیشبینی را بر اساس اندازهگیریهای فیزیکی جمعآوری شده توسط سازمانهای هواشناسی تولید میکند. به طور خاص، این مدل به روابط بین واحد انرژی پتانسیل بر حسب جرم میدان گرانشی زمین در تروپوسفر میانی و فشار سطح دریا (دو معیار رایج مورد استفاده در پیشبینی وضعیت آب و هوا) نگاه میکند.
روشهای سنتی فقط به طور عملی مجموعهای از حدود 10 تا 50 پیشبینی را تولید میکنند. اما با استفاده از هوش مصنوعی، نسخه فعلی SEEDS میتواند تنها با استفاده از یک یا دو «پیشبینی بذر» که به عنوان داده ورودی استفاده میشود، تا 31 مجموعه پیشبینی را برونیابی کند!
محققان این سیستم را با مدلسازی موج گرمای اروپایی 2022 با استفاده از دادههای آب و هوایی تاریخی ثبتشده در آن زمان آزمایش کردند. نمایندگان گوگل در وبلاگ پورتال تحقیقاتی خود گفتند که تنها هفت روز پیش از موج گرما، دادههای پیشبینی مجموعه عملیاتی ایالات متحده هیچ نشانهای از وقوع چنین رویدادی را نشان نمیداد. آنها افزودند که مجموعههایی با کمتر از 100 پیشبینی (که بیشتر از حد معمول است) نیز نمیتوانستند آن را پیشبینی کنند.
دانشمندان همچنین هزینههای محاسباتی مرتبط با انجام محاسبات با SEEDS را در مقایسه با روشهای امروزی، “ناچیز” توصیف کردهاند. گوگل میگوید این سیستم هوش مصنوعی توان عملیاتی معادل با 256 مجموعه پیشبینی برای هر سه دقیقه زمان پردازش در یک نمونه معماری گوگل کلود را داراست، که البته با به کارگیری شتابدهندههای بیشتر به راحتی قابل ارتقاء است.
