تعرضت الأرض هذا العام لعدد قياسي من الظواهر الجوية المتطرفة التي لا يمكن التنبؤ بها والتي تفاقمت بسبب تغير المناخ. والتنبؤ بها بشكل أسرع وبدقة أكبر من شأنه أن يمكننا من الاستعداد بشكل أفضل للكوارث الطبيعية والمساعدة في إنقاذ الأرواح. يمكن لنموذج الذكاء الاصطناعي الجديد من Google DeepMind أن يجعل ذلك أسهل.
في مجال البحوث نشرت في العلوم اليوم، أصبح نموذج Google DeepMind، GraphCast، قادرًا على التنبؤ بالظروف الجوية لمدة تصل إلى 10 أيام مقدمًا، بشكل أكثر دقة وأسرع بكثير من المعيار الذهبي الحالي. تفوقت GraphCast على نموذج المركز الأوروبي للتنبؤات الجوية متوسطة المدى (ECMWF) في أكثر من 90% من أكثر من 1300 منطقة اختبار. وفيما يتعلق بالتنبؤات المتعلقة بطبقة التروبوسفير للأرض – وهو الجزء الأدنى من الغلاف الجوي، حيث تحدث معظم الأحوال الجوية – تفوق GraphCast على نموذج ECMWF في أكثر من 99% من متغيرات الطقس، مثل المطر ودرجة حرارة الهواء
والأهم من ذلك، أن GraphCast يمكن أن تقدم أيضًا تحذيرات دقيقة لأخصائيي الأرصاد الجوية، في وقت أبكر بكثير من النماذج القياسية، لظروف مثل درجات الحرارة القصوى ومسارات الأعاصير. في شهر سبتمبر، توقعت شركة GraphCast بدقة أن يصل إعصار لي إلى اليابسة في نوفا سكوتيا قبل تسعة أيام من حدوثه، حسبما يقول ريمي لام، عالم الأبحاث في شركة Google DeepMind. حددت نماذج التنبؤ بالطقس التقليدية مكان الإعصار في نوفا سكوتيا قبل ستة أيام فقط.
“يعد التنبؤ بالطقس أحد أكثر المشكلات تحديًا التي تعمل عليها البشرية منذ فترة طويلة جدًا. يقول بوشميت كوهلي، نائب رئيس الأبحاث في Google DeepMind: “إذا نظرت إلى ما حدث في السنوات القليلة الماضية فيما يتعلق بتغير المناخ، فهذه مشكلة مهمة للغاية”.
تقليديا، يستخدم علماء الأرصاد الجوية عمليات محاكاة حاسوبية ضخمة للتنبؤ بالطقس. إنها كثيفة الاستخدام للطاقة وتستغرق وقتًا طويلاً في التشغيل، لأن عمليات المحاكاة تأخذ في الاعتبار العديد من المعادلات الفيزيائية ومتغيرات الطقس المختلفة مثل درجة الحرارة وهطول الأمطار والضغط والرياح والرطوبة والغيوم، واحدة تلو الأخرى.
يستخدم GraphCast التعلم الآلي لإجراء هذه الحسابات في أقل من دقيقة. وبدلاً من استخدام المعادلات المبنية على الفيزياء، فإنها تبني توقعاتها على أربعة عقود من بيانات الطقس التاريخية. يستخدم GraphCast الشبكات العصبية الرسومية، التي ترسم خريطة لسطح الأرض إلى أكثر من مليون نقطة شبكية. عند كل نقطة في الشبكة، يتنبأ النموذج بدرجة الحرارة وسرعة الرياح واتجاهها، ومتوسط ضغط مستوى سطح البحر، بالإضافة إلى ظروف أخرى مثل الرطوبة. تصبح الشبكة العصبية قادرة بعد ذلك على العثور على الأنماط واستخلاص استنتاجات حول ما سيحدث بعد ذلك لكل نقطة من نقاط البيانات هذه.
خلال العام الماضي، لقد شهد التنبؤ بالطقس ثورة مثل نماذج مثل GraphCast، هواوي بانغو الطقس وشبكة FourcastNet من Nvidia جعلت خبراء الأرصاد الجوية يعيدون التفكير في الدور الذي يمكن أن يلعبه الذكاء الاصطناعي في التنبؤ بالطقس. يعمل GraphCast على تحسين أداء النماذج المنافسة الأخرى، مثل Pangu-Weather، وهو قادر على التنبؤ بمزيد من متغيرات الطقس، كما يقول لام. يستخدمه ECMWF بالفعل.
عندما طرح Google DeepMind تطبيق GraphCast لأول مرة في ديسمبر الماضي، بدا الأمر وكأنه عيد الميلاد، كما يقول بيتر دوبين، رئيس نمذجة نظام الأرض في ECMWF، والذي لم يشارك في البحث.
ويقول: “لقد أظهر ذلك أن هذه النماذج جيدة جدًا لدرجة أنه لا يمكننا تجنبها بعد الآن”.
يقول أديتيا جروفر، الأستاذ المساعد في علوم الكمبيوتر في جامعة كاليفورنيا، والذي طور برنامج GraphCast، إن GraphCast هو “لحظة حساب” للتنبؤ بالطقس لأنه يوضح أنه يمكن إجراء التنبؤات باستخدام البيانات التاريخية. ذروةوهو نموذج أساسي يسمح للباحثين بالقيام بمهام مختلفة تتعلق بنمذجة طقس الأرض ومناخها.
يقول أوليفر فوهرر، رئيس قسم التنبؤ العددي في MeteoSwiss، المكتب الفيدرالي السويسري للأرصاد الجوية وعلم المناخ، إن نموذج DeepMind هو “عمل رائع ومثير للغاية”. يقول فوهرر إن وكالات الطقس الأخرى، مثل ECMWF، والمعهد السويدي للأرصاد الجوية والهيدرولوجيا، استخدمت أيضًا بنية الشبكة العصبية البيانية التي اقترحتها Google DeepMind لبناء نماذجها الخاصة.
لكن GraphCast ليست مثالية. ويقول دويبين إنه لا يزال متخلفًا عن نماذج التنبؤ بالطقس التقليدية في بعض المناطق، مثل هطول الأمطار. وسيظل يتعين على علماء الأرصاد الجوية استخدام النماذج التقليدية جنبًا إلى جنب مع نماذج التعلم الآلي لتقديم تنبؤات أفضل.
يعمل Google DeepMind أيضًا على جعل GraphCast مفتوح المصدر. ويقول جروفر من جامعة كاليفورنيا، إن هذا تطور جيد.
“مع تزايد تغير المناخ، من المهم جدًا أن تفكر المؤسسات الكبيرة، التي كانت تتمتع برفاهية الكثير من الحوسبة، في رد الجميل أيضًا [to the scientific community]،” هو يقول.