يعد نموذج الذكاء الاصطناعي الجديد من Google DeepMind هو النظام الأكثر دقة في العالم للتنبؤ بالطقس العالمي لمدة 10 أيام، وفقًا للمختبر الذي يقع مقره في لندن.
يعد النموذج المسمى GraphCast بتنبؤات جوية متوسطة المدى “بدقة غير مسبوقة”. في دراسة نشرت اليوم، تبين أن GraphCast أكثر دقة وأسرع من المعيار الذهبي للصناعة لمحاكاة الطقس، والتنبؤات عالية الدقة (HRES).
كما تنبأ النظام أيضًا بالطقس القاسي في المستقبل أكثر مما كان ممكنًا في السابق.
تم تحليل هذه الأفكار من قبل المركز الأوروبي للتنبؤات الجوية متوسطة المدى (ECMWF)، وهي منظمة حكومية دولية تنتج HRES.
أ النسخة الحية تم نشر GraphCast على موقع ECMWF. في شهر سبتمبر، تنبأ النظام بدقة قبل تسعة أيام تقريبًا من وصول إعصار لي إلى اليابسة في نوفا سكوتيا.
في المقابل، طرق التنبؤ التقليدية سلطت الضوء فقط على نوفا سكوتيا قبل ستة أيام تقريبًا. كما أنها قدمت تنبؤات أقل اتساقًا بشأن وقت وموقع الهبوط.
ومن المثير للاهتمام أن GraphCast يمكنه التعرف على الأحداث الجوية الخطيرة دون أن يتم تدريبه على العثور عليها. بعد دمج متتبع الأعاصير البسيط، تنبأ النموذج بحركات الأعاصير بشكل أكثر دقة من طريقة HRES.
مثل هذه البيانات يمكن أن تنقذ الأرواح وسبل العيش. ومع ازدياد تطرف المناخ وعدم القدرة على التنبؤ به، ستوفر التنبؤات السريعة والدقيقة رؤى حيوية متزايدة للتخطيط لمواجهة الكوارث.
ماثيو شانتري، أ التعلم الالي يعتقد المنسق في ECMWF أن صناعته قد وصلت إلى نقطة انعطاف.
وقال شانتري في مؤتمر صحفي: “ربما يكون هناك المزيد من العمل الذي يتعين القيام به لإنشاء منتجات تشغيلية موثوقة، ولكن من المحتمل أن تكون هذه بداية ثورة”.
وأضاف أن منظمات الأرصاد الجوية توقعت في السابق منظمة العفو الدولية لتكون مفيدة للغاية عند دمجها مع الفيزياء. لكن الإنجازات الحديثة تظهر أن التعلم الآلي يمكنه أيضًا التنبؤ بالطقس بشكل مباشر.
كيف يعمل GraphCast
تعتمد التنبؤات الجوية التقليدية على معادلات فيزيائية معقدة. ويتم بعد ذلك تكييفها في خوارزميات تعمل على أجهزة الكمبيوتر العملاقة.
يمكن أن تكون العملية شاقة. كما يتطلب أيضًا معرفة متخصصة وموارد حاسوبية هائلة.
يستخدم GraphCast تقنية مختلفة. يجمع النموذج بين التعلم الآلي وشبكات الرسم البياني العصبية (GNNs)، وهي بنية بارعة في معالجة البيانات المنظمة مكانيًا.
لمعرفة الأسباب و التأثيرات التي تحدد تغيرات الطقس، تم تدريب النظام على ديمجموعات من معلومات الطقس.
يتم أيضًا دمج الأساليب التقليدية. قام ECMWF بتزويد GraphCast ببيانات تدريبية من حوالي 40 عامًا من إعادة تحليل الطقس، والتي شملت المراقبة من الأقمار الصناعية والرادارات ومحطات الطقس.
عندما تكون هناك فجوات في الملاحظات، فإن طرق التنبؤ القائمة على الفيزياء تملأها. والنتيجة هي تاريخ مفصل للطقس العالمي. يستخدم GraphCast هذه الدروس من الماضي للتنبؤ بالمستقبل.
يقوم GraphCast بعمل تنبؤات بدقة مكانية تبلغ 0.25 درجة خط العرض / الطول.
ولتوضيح ذلك، تخيل أن الأرض مقسمة إلى مليون نقطة شبكية. وفي كل نقطة، يتنبأ النموذج بخمسة متغيرات لسطح الأرض وستة متغيرات جوية. إنهما يغطيان معًا الغلاف الجوي للكوكب بأكمله بشكل ثلاثي الأبعاد على 37 مستوى.
وتشمل المتغيرات درجة الحرارة والرياح والرطوبة وهطول الأمطار وضغط مستوى سطح البحر. كما أنها تتضمن أيضًا الطاقة الكامنة الأرضية – طاقة الجاذبية الكامنة لوحدة الكتلة، في موقع معين، نسبة إلى متوسط مستوى سطح البحر.
وفي الاختبارات كانت النتائج مبهرة. تفوقت GraphCast بشكل ملحوظ على الأنظمة الحتمية التشغيلية الأكثر دقة بنسبة 90% من 1,380 هدف اختبار.
وكان التفاوت أكثر وضوحًا في طبقة التروبوسفير، وهي الطبقة الأدنى من الغلاف الجوي للأرض وموقع معظم الظواهر الجوية. في هذه المنطقة، تفوقت GraphCast على HRES بنسبة 99.7% من متغيرات الاختبار الخاصة بالطقس المستقبلي.
GraphCast أيضًا عالي الكفاءة. يستغرق التنبؤ لمدة 10 أيام أقل من دقيقة لإكماله على جهاز Google TPU v4 واحد.
وبالمقارنة، يمكن أن يستغرق النهج التقليدي ساعات من العمليات الحسابية في كمبيوتر فائق السرعة يضم مئات الآلات.
مستقبل الذكاء الاصطناعي في التنبؤ بالطقس
على الرغم من النتائج المبكرة الواعدة، لا يزال بإمكان GraphCast الاستفادة من المزيد من التحسين. ففي تنبؤات الأعاصير، على سبيل المثال، أثبت النموذج دقته في تتبع الحركات، ولكنه أقل فعالية في قياس شدتها.
النبلاء حريصون على رؤية مدى إمكانية تحسين هذا الأمر.
وقال: “في الوقت الحالي، لا تزال نماذج GraphCast ونماذج التعلم الآلي متخلفة قليلاً عن النماذج المادية… آمل أن يكون هذا مجالًا لمزيد من التحسين، لكن هذا يوضح أنها لا تزال تقنية ناشئة”. .
ويمكن الآن أن تأتي هذه التحسينات من أي مكان، كما حدث مع شركة DeepMind رمز النموذج مفتوح المصدر. يمكن الآن للمؤسسات العالمية والأفراد على حد سواء تجربة GraphCast وإضافة التحسينات الخاصة بهم.
ومن المفارقات أن التطبيقات المحتملة لا يمكن التنبؤ بها. ويمكن للتنبؤات، على سبيل المثال، أن تفيد في إنتاج الطاقة المتجددة وتوجيه الحركة الجوية. ولكن يمكن أيضًا تطبيقها على المهام التي لم يتم تصورها حتى.
وقال بيتر باتاليا، مدير الأبحاث في Google DeepMind: “هناك الكثير من حالات الاستخدام النهائي للتنبؤات الجوية”. “ولسنا على علم بكل ذلك.”