تفوق النموذج الحاسوبي الذي يجمع بين تكنولوجيا التنبؤ بالطقس التقليدية والتعلم الآلي على الأدوات الأخرى المعتمدة على الذكاء الاصطناعي التنبؤ بالسيناريوهات الجوية والاتجاهات المناخية طويلة المدى تجاوز.

تم إصدار الأداة في 22 يوليوطبيعةتم وصفه 1، هو أول نموذج للتعلم الآلي يقوم بإنشاء تنبؤات جوية دقيقة للمجموعات - تلك التي تمثل مجموعة من السيناريوهات. ويفتح تطويره الباب أمام تنبؤات أسرع وأقل استهلاكًا للطاقة من الأدوات الحالية وأكثر تفصيلاً من الأساليب القائمة على الذكاء الاصطناعي فقط.

يقول المؤلف المشارك في الدراسة ستيفان هوير، الذي يدرس التعلم العميق في مركز أبحاث جوجل في ماونتن فيو، كاليفورنيا: "يجب أن تعمل النماذج المناخية التقليدية على أجهزة الكمبيوتر العملاقة. وهذا نموذج يمكنك تشغيله في دقائق".

تعتمد أنظمة التنبؤ الحالية عادةً على نماذج الدوران العامة (GCMs)، وهي برامج تعتمد على قوانين الفيزياء لمحاكاة العمليات في محيطات الأرض والغلاف الجوي والتنبؤ بكيفية تأثيرها على الطقس والمناخ. ومع ذلك، تتطلب نماذج GCM قدرًا كبيرًا من القوة الحاسوبية، كما أن التقدم في التعلم الآلي يوفر بديلاً أكثر كفاءة. يقول هوير: "لدينا تيرابايت أو بيتابايت (أكبر بمليون مرة من الجيجابايت) من بيانات الطقس التاريخية". "من خلال التعلم من هذه الأنماط، يمكننا بناء نماذج أفضل."

توجد بالفعل بعض نماذج التنبؤ بالتعلم الآلي مثل Pangu-Weather، التي أنشأتها شركة التكنولوجيا العملاقة هواوي ومقرها في شنتشن، الصين، GraphCast بواسطة DeepMind مع المقر الرئيسي في لندن. تتمتع هذه النماذج بمستويات مماثلة من الدقة لنماذج GCM النموذجية للتنبؤ الحتمي - وهو النهج الذي يولد تنبؤًا واحدًا بالطقس. ومع ذلك، لا يمكن الاعتماد على نماذج المناخ العالمية في تنبؤات المجموعات أو التنبؤات المناخية طويلة المدى.

يقول سكوت هوسكينج، الذي يجري أبحاثًا حول الذكاء الاصطناعي والبيانات البيئية في معاهد في لندن: "المشكلة في أساليب التعلم الآلي البحتة هي أنك لا تدربه إلا على البيانات التي اطلع عليها بالفعل". "إن المناخ يتغير باستمرار، ونحن نتجه نحو المجهول، لذلك تحتاج نماذج التعلم الآلي لدينا إلى استقراء هذا المستقبل المجهول. ومن خلال دمج الفيزياء في النموذج، يمكننا التأكد من أن نماذجنا محدودة ماديًا ولا يمكنها فعل أي شيء غير واقعي."

نموذج هجين

قام هوير وفريقه بتطوير وتدريب NeuralGCM، وهو نموذج "يجمع بين جوانب طريقة حل الغلاف الجوي التقليدية القائمة على الفيزياء مع بعض مكونات الذكاء الاصطناعي"، كما يقول هوير. واستخدموا النموذج لإنتاج تنبؤات جوية قصيرة وطويلة المدى وتوقعات مناخية. لتقييم دقة NeuralGCM، قارن الباحثون توقعاتها ببيانات العالم الحقيقي بالإضافة إلى مخرجات النماذج الأخرى، بما في ذلك نماذج GCM وتلك التي تعتمد بشكل كامل على التعلم الآلي.

مثل نماذج التعلم الآلي الحالية، يمكن لـ NeuralGCM إنتاج تنبؤات جوية حتمية دقيقة وقصيرة المدى - ما بين يوم واحد وثلاثة أيام مقدمًا - مع استخدام جزء صغير من الطاقة التي تتطلبها نماذج GCM. ومع ذلك، فقد ارتكبت أخطاء أقل بكثير من نماذج التعلم الآلي الأخرى عند إنتاج تنبؤات طويلة المدى تتجاوز سبعة أيام. في الواقع، كانت تنبؤات NeuralGCM طويلة المدى مماثلة لتنبؤات نموذج مجموعة المركز الأوروبي للتنبؤات الجوية متوسطة المدى (ECMWF-ENS)، وهو نموذج GCM يعتبر على نطاق واسع المعيار الذهبي للتنبؤ بالطقس.

واختبر الفريق أيضًا مدى قدرة النموذج على التنبؤ بظواهر الطقس المختلفة، مثل الأعاصير المدارية. ووجدوا أن العديد من نماذج التعلم الآلي البحتة أنتجت تنبؤات غير متسقة وغير دقيقة مقارنة بكل من NeuralGCM وECMWF-ENS. حتى أن الباحثين قارنوا NeuralGCM بالنماذج المناخية عالية الدقة المعروفة باسم نماذج حل العواصف العالمية. تمكنت شركة NeuralGCM من إنتاج أرقام ومسارات أكثر واقعية للأعاصير المدارية في وقت أقصر.

يقول هوسكينج إن القدرة على التنبؤ بمثل هذه الأحداث "مهمة جدًا لتحسين مهارات اتخاذ القرار واستراتيجيات الاستعداد".

يريد هوير وزملاؤه تحسين NeuralGCM وتكييفه بشكل أكبر. يقول هوير: "لقد كنا نعمل على مكون الغلاف الجوي في نمذجة نظام الأرض... ربما يكون هذا هو الجزء الذي يؤثر بشكل مباشر على الطقس اليومي". ويضيف أن الفريق يرغب في دمج المزيد من جوانب علوم الأرض في الإصدارات المستقبلية لزيادة تحسين دقة النموذج.