نموذج يمزج بين الذكاء الاصطناعي والفيزياء لإجراء توقعات عالمية

في الوقت الحالي، يعد نموذج الدورة العامة، أو GCM، الذي وضعه المركز الأوروبي للتنبؤات الجوية متوسطة المدى، أفضل نموذج للتنبؤ بالطقس في العالم. ويعتمد نموذج الدورة العامة جزئيًا على كود يحسب الفيزياء الخاصة بمختلف العمليات الجوية التي نفهمها جيدًا. وبالنسبة للعديد من النماذج الأخرى، تعتمد نماذج الدورة العامة على ما يسمى “المعاملات”، والتي تحاول استخدام علاقات محددة تجريبياً لتقريب ما يحدث مع العمليات التي لا نفهم الفيزياء الخاصة بها تمامًا.

في الآونة الأخيرة، واجهت نماذج المناخ العالمية بعض المنافسة من جانب تقنيات التعلم الآلي، التي تدرب أنظمة الذكاء الاصطناعي على التعرف على الأنماط في البيانات الجوية واستخدامها للتنبؤ بالظروف التي قد تنشأ خلال الأيام القليلة المقبلة. ومع ذلك، تميل توقعاتها إلى أن تصبح غامضة بعض الشيء بعد أكثر من بضعة أيام ولا يمكنها التعامل مع العوامل طويلة الأجل التي يجب مراعاتها عند استخدام نماذج المناخ العالمية لدراسة تغير المناخ.

في يوم الاثنين، أعلن فريق من مجموعة الذكاء الاصطناعي التابعة لشركة جوجل والمركز الأوروبي للتنبؤات الجوية متوسطة المدى عن إطلاق NeuralGCM، وهو نظام يمزج بين الدورة الجوية القائمة على الفيزياء مع معلمات الذكاء الاصطناعي للتأثيرات الجوية الأخرى. يتميز Neural GCM بالكفاءة الحسابية ويؤدي أداءً جيدًا للغاية في معايير التنبؤ بالطقس. ومن المدهش أنه يمكنه أيضًا إنتاج مخرجات معقولة المظهر للتشغيلات التي تغطي عقودًا من الزمن، مما يسمح له بمعالجة بعض الأسئلة ذات الصلة بالمناخ. وفي حين أنه لا يمكنه التعامل مع الكثير مما نستخدم نماذج المناخ من أجله، فهناك بعض الطرق الواضحة لتحسينات محتملة.

تعرف على NeuralGCM

NeuralGCM هو نظام مكون من جزأين. هناك ما يسميه الباحثون “النواة الديناميكية”، والتي تتعامل مع فيزياء الحمل الحراري الجوي على نطاق واسع وتأخذ في الاعتبار الفيزياء الأساسية مثل الجاذبية والديناميكا الحرارية. يتم التعامل مع كل شيء آخر بواسطة جزء الذكاء الاصطناعي. قال ستيفان هوير من جوجل: “إنه كل شيء ليس في معادلات ديناميكيات السوائل. وهذا يعني السحب وهطول الأمطار والإشعاع الشمسي والسحب عبر سطح الأرض – وأيضًا جميع المصطلحات المتبقية في المعادلات التي تحدث أسفل مقياس الشبكة الذي يبلغ حوالي 100 كيلومتر أو نحو ذلك”. إنه ما قد تسميه ذكاء اصطناعيًا متجانسًا. بدلاً من تدريب وحدات فردية تتعامل مع عملية واحدة، مثل تكوين السحب، يتم تدريب جزء الذكاء الاصطناعي للتعامل مع كل شيء في وقت واحد.

من الأهمية بمكان أن يتم تدريب النظام بأكمله في وقت واحد بدلاً من تدريب الذكاء الاصطناعي بشكل منفصل عن جوهر الفيزياء. في البداية، تم إجراء تقييمات الأداء والتحديثات للشبكة العصبية على فترات زمنية مدتها ست ساعات لأن النظام ليس مستقرًا جدًا حتى يتم تدريبه جزئيًا على الأقل. بمرور الوقت، يتم تمديد هذه الفترات إلى خمسة أيام.

النتيجة هي نظام قادر على المنافسة مع أفضل ما هو متاح للتنبؤات التي تصل مدتها إلى 10 أيام، وغالبًا ما يتجاوز المنافسة اعتمادًا على القياس الدقيق المستخدم (بالإضافة إلى معايير التنبؤ بالطقس، نظر الباحثون في ميزات مثل الأعاصير المدارية والأنهار الجوية ومنطقة التقارب بين المدارين). في التنبؤات الأطول، كان يميل إلى إنتاج ميزات أقل ضبابية من تلك التي قدمها المتنبئون بالذكاء الاصطناعي الخالص، على الرغم من أنه كان يعمل بدقة أقل مما كانت عليه. تعني هذه الدقة المنخفضة مربعات شبكية أكبر – يتم تقسيم سطح الأرض إلى مربعات فردية لأغراض حسابية – من معظم النماذج الأخرى، مما يقلل بشكل كبير من متطلبات الحوسبة الخاصة به.

وعلى الرغم من نجاحه في التعامل مع الطقس، فقد كانت هناك تحذيرات رئيسية. الأول هو أن نموذج NeuralGCM يميل إلى التقليل من تقدير الأحداث المتطرفة التي تحدث في المناطق الاستوائية. والثاني هو أنه لا يقوم فعليًا بنمذجة هطول الأمطار؛ بل إنه يحسب بدلاً من ذلك التوازن بين التبخر وهطول الأمطار.

ولكن هذا النموذج يأتي أيضاً مع بعض المزايا المحددة مقارنة ببعض نماذج التنبؤ الأخرى قصيرة الأجل، ومن أهمها أنه لا يقتصر في الواقع على العمل على المدى القصير. فقد سمح الباحثون لهذا النموذج بالعمل لمدة تصل إلى عامين، ونجح في إعادة إنتاج دورة موسمية معقولة المظهر، بما في ذلك السمات واسعة النطاق للدورة الجوية. وتُظهِر نماذج أخرى طويلة الأمد أنه قادر على إنتاج أعداد مناسبة للأعاصير المدارية، والتي تستمر في اتباع مسارات تعكس الأنماط التي نراها في العالم الحقيقي.