వాతావరణాన్ని ఖచ్చితంగా అంచనా వేయడం చాలా కష్టం – నిజంగా కష్టం, కానీ కొత్త AI-శక్తితో కూడిన సూచన మోడల్ ఇప్పుడే ఒక మైలురాయిని తాకింది, మీ సూచన త్వరలో మరింత ఖచ్చితమైనదిగా మరియు మరింతగా బయటపడుతుందని నిపుణులు చెబుతున్నారు.
నిరంతరం ఫ్లక్స్‌లో ఉండే వాతావరణంలో వాతావరణానికి అనుగుణంగా ఉండటానికి ఇది చాలా శ్రమించాల్సిన అవసరం ఉంది. ఈ పని చాలా కష్టం మరియు సంక్లిష్టమైనది, కొన్ని దశాబ్దాల క్రితం రెండు రోజుల కంటే ముందుగానే నమ్మదగిన సూచన.
1980ల ప్రారంభంలో ఐదు రోజుల సూచన 65 శాతం సమయం మాత్రమే ఖచ్చితమైనది. అయితే మెరుగైన వాతావరణ పరిశీలనలు, మరింత దృఢమైన కంప్యూటింగ్ శక్తి మరియు ప్రపంచవ్యాప్తంగా వాతావరణం కంప్యూటర్‌ల ద్వారా రూపొందించబడిన విధానంలో ఆవిష్కరణలు వేగంగా అంచనాలను మెరుగుపరిచాయి. నేడు అదే సూచన 10కి తొమ్మిది సార్లు మార్కును తాకింది.
ఈ నెలలో అంచనాలు మరో అడుగు ముందుకు వేశాయి, Google యొక్క DeepMind ద్వారా కొత్త కృత్రిమ మేధస్సు సూచన మోడల్ అయిన GenCastకి ధన్యవాదాలు అని నిపుణులు తెలిపారు. నేచర్ జర్నల్‌లో డీప్‌మైండ్ ప్రచురించిన ఒక అధ్యయనం ప్రకారం, 15 రోజుల పాటు దాని అంచనాలు అత్యంత గౌరవనీయమైన సాంప్రదాయ నాన్-AI సూచన నమూనాల కంటే చాలా ఖచ్చితమైనవి.
“ఇది అద్భుతమైన ఫలితం,” అని జెన్‌కాస్ట్ ఉత్తమంగా అందించిన మోడల్‌కు నిలయమైన యూరోపియన్ సెంటర్ ఫర్ మీడియం-రేంజ్ వెదర్ ఫోర్‌కాస్ట్‌లలో మెషిన్ లెర్నింగ్ నిపుణుడు మరియు ఎర్త్ సిస్టమ్ మోడలింగ్ హెడ్ పీటర్ డ్యూబెన్ అన్నారు. “ఇది ఒక పెద్ద అడుగు.”
GenCast ఇంకా పబ్లిక్ కోసం సిద్ధంగా లేదు. ఇది మరియు ఇతర AI మోడల్‌లు ఇప్పటికీ పని చేయడానికి కొన్ని కీ కింక్స్‌లను కలిగి ఉన్నాయి, ప్రత్యేకించి వేడెక్కుతున్న ప్రపంచంలోని మరింత తరచుగా మరియు తీవ్రమైన వాతావరణాన్ని అంచనా వేయడంలో, అవి అంచనాను మార్చడానికి మరియు ప్రక్రియలో జీవితాలను రక్షించడానికి ముందు.
మనిషి వర్సెస్ యంత్రం
వాతావరణ సూచన నమూనాల నైపుణ్యం మరియు ఉపయోగం ఎల్లప్పుడూ సాంకేతికతతో ముడిపడి ఉంటుంది.
నేడు ఉపయోగించే వాతావరణ సూచన నమూనాలు చాలా వరకు గణిత సమీకరణాల సంక్లిష్ట శ్రేణిపై ఆధారపడి ఉంటాయి, ఇవి వాతావరణం యొక్క భౌతిక శాస్త్రాన్ని మోడల్ చేస్తాయి మరియు ఒక రోజు వాతావరణం ఎలా ఉంటుందో చిత్రాన్ని చిత్రించడానికి నిజ-సమయ వాతావరణ పరిశీలనల నుండి వందల మిలియన్ల డేటా పాయింట్లను ఉపయోగిస్తాయి. , ఒక వారం లేదా ఇప్పటి నుండి ఒక సీజన్ కూడా.
ఈ సంఖ్యాపరమైన వాతావరణ అంచనా ప్రక్రియ మొదట 1900ల ప్రారంభంలో రూపొందించబడింది మరియు చేతితో చేయాల్సిన అవసరం ఉంది, ఈ పద్ధతి చాలా నెమ్మదిగా ఉంది, గణనలు పూర్తి కావడానికి చాలా కాలం ముందు వాతావరణం జరిగింది.
ప్రారంభ కంప్యూటర్‌లు 1950లు మరియు 1960లలో అంచనాలను మెరుగుపరిచాయి, అయితే 1974 వరకు ప్రపంచవ్యాప్తంగా ఉన్న డేటాను తీయగల మరియు మూలాధార సూచనను రూపొందించగల మొదటి మోడల్ కార్యాచరణను ప్రారంభించింది.
ప్రస్తుత రోజుకు స్కిప్ చేయండి మరియు ప్రపంచవ్యాప్తంగా చాలా రోజుల పాటు భవిష్యత్తులో అత్యంత వివరణాత్మక వాతావరణ సూచనలను రూపొందించడానికి సూపర్ కంప్యూటర్‌లు ప్రతిరోజూ దాదాపుగా అపరిమితమైన లెక్కలను అమలు చేస్తున్నాయి.
కానీ ప్రస్తుత సూచన నమూనాలు ఇప్పటికీ పరిమితులను కలిగి ఉన్నాయి. సంక్లిష్ట గణనలను క్రంచ్ చేయడానికి ఎంత సమయం పడుతుంది కాబట్టి చాలా బలమైన వాటిని ప్రతి కొన్ని గంటలకు మాత్రమే అమలు చేయవచ్చు. వారు చాలా కంప్యూటింగ్ పవర్ మరియు ఎనర్జీని కూడా డిమాండ్ చేస్తారు, అది వాటిని ఖరీదైనదిగా చేస్తుంది.
మరియు అంచనా విషయానికి వస్తే వారికి పరిమితులు కూడా ఉన్నాయి. వాతావరణం యొక్క పరిశీలనల నుండి వారు సమయానికి దూరంగా ఉంటారు, వాతావరణం మారడం ఎప్పటికీ ఆగదు కాబట్టి రాబోయే వాటి గురించి స్పష్టమైన ఆలోచనను పొందడం మరింత కష్టం.
Google యొక్క GenCast వంటి చాలా AI వాతావరణ అంచనా నమూనాలు భిన్నమైన విధానాన్ని తీసుకుంటాయి. భౌతిక-ఆధారిత సమీకరణాలకు ప్లగ్ చేయబడిన పరిశీలనలపై ఆధారపడే బదులు, ఇలాంటి పరిస్థితులలో వాతావరణం ఎలా ప్రవర్తిస్తుందో అర్థం చేసుకోవడానికి ధృవీకరించబడిన గత వాతావరణ డేటాను విశ్లేషించడం ద్వారా భవిష్యత్తులో భూమి యొక్క వాతావరణం ఎలా ప్రవర్తిస్తుందో వారు అంచనా వేస్తారు. ఇది నిజ-సమయ వాతావరణ డేటా నుండి లోపాలను తొలగించడం ద్వారా సాంప్రదాయ నమూనాలపై ఖచ్చితత్వాన్ని మెరుగుపరచడంలో సహాయపడుతుంది.
AI సూచన మోడల్‌లు కూడా అనుకరణలను చాలా వేగంగా అమలు చేస్తాయి మరియు సంప్రదాయ మోడల్‌ల కంటే తక్కువ కంప్యూటింగ్ పవర్ మరియు ఎనర్జీని ఒకసారి శిక్షణ పొంది సిద్ధంగా ఉంచుతాయి. దీనర్థం అవి మరింత తరచుగా అమలు చేయబడవచ్చు మరియు విస్తృత శ్రేణి అవకాశాలను మోడల్ చేయవచ్చు, అవి చేసే విధంగానే అంచనాలను మెరుగుపరుస్తాయి.
Google గేమ్ ఛేంజర్
Google యొక్క GenCastకి ముందు AI వాతావరణ మోడలింగ్, ఇది ఎంతవరకు జరిగే అవకాశం ఉందనే దాని గురించి ఎటువంటి సూచన లేకుండా ఏకవచన సూచనను ఉమ్మివేసే మోడల్‌లకు పరిమితం చేయబడింది. ఉష్ణోగ్రత, అవపాతం మరియు గాలి వంటి సాధారణ వాతావరణ వేరియబుల్స్‌ను కొన్ని రోజుల ముందుగానే అంచనా వేయడానికి ఇది చాలా ఉపయోగకరంగా ఉండే ఒక ఉత్తమ అంచనా.
కానీ GenCast ఏకకాలంలో డజన్ల కొద్దీ అనుకరణలను అమలు చేస్తుంది.
కొత్త అధ్యయనం యొక్క ప్రధాన రచయిత ఇలాన్ ప్రైస్ ప్రకారం, “ఒకసారి మీకు బహుళ సాధ్యమైన ఫ్యూచర్‌లు ఉంటే, అది మీకు ఏమి జరుగుతుందనే దాని శ్రేణి రెండింటినీ అర్థం చేసుకుంటుంది మరియు ఇది కొన్ని (భవిష్యత్తులు) ఇతరుల కంటే ఎంత అవకాశం ఉందో కూడా లెక్కించడానికి మిమ్మల్ని అనుమతిస్తుంది. మరియు డీప్‌మైండ్‌తో సీనియర్ రీసెర్చ్ సైంటిస్ట్.
భవిష్యత్తులో ఐదు నుండి 15 రోజుల వరకు వాతావరణ సూచనలకు ఇది మరింత విశ్వాసాన్ని ఇస్తుంది కాబట్టి ఈ రకమైన మోడలింగ్ విధానం చాలా ఎక్కువగా పరిగణించబడుతుంది.
యూరోపియన్ సెంటర్ ఫర్ మీడియం-రేంజ్ వెదర్ ఫోర్‌కాస్ట్‌ల మోడల్ విస్తృతంగా బంగారు ప్రమాణంగా పరిగణించబడుతుంది. Google దాని మొదటి-రకం AI వెర్షన్‌తో ఓడించాలనుకున్నది – మరియు అది చేసింది.
పరిశోధకులు 2018 వరకు 40 సంవత్సరాల వాతావరణ డేటాపై GenCastకి శిక్షణ ఇచ్చారు. వారు 2019 వాతావరణంలో ఉష్ణోగ్రతలు, అవపాతం మరియు గాలి వేగం వంటి 1,300 కంటే ఎక్కువ పరిస్థితుల కలయికలను అంచనా వేయడానికి శిక్షణ పొందిన నమూనాను ఉపయోగించారు.
AI మోడల్ 15-రోజుల కాలపరిమితిలో 97% కంటే ఎక్కువ ఈ వేరియబుల్స్ కోసం ECMWF యొక్క సాంప్రదాయ మోడల్ కంటే మరింత ఖచ్చితమైన సూచనలను అందించింది, అయితే మొదటి వారంలో అంచనాలను ప్రదర్శించింది.
ఇది ధర ప్రకారం, పరీక్షించిన వేరియబుల్స్ యొక్క ఖచ్చితమైన కలయికపై ఆధారపడి, మూడు నుండి ఐదు రోజుల పరిధిలో అంచనాలపై 10 నుండి 30% వరకు ఖచ్చితత్వ మెరుగుదలని ఎక్కడైనా చూపించింది. భవిష్యత్తులో 15 రోజుల వరకు ECMWF మోడల్ కంటే GenCast మరింత ఖచ్చితమైన అంచనాలను కలిగి ఉందని అధ్యయనం తెలిపింది.
AI మోడల్ అసాధారణమైన అధిక మరియు తక్కువ ఉష్ణోగ్రతలు మరియు విపరీతమైన గాలి వేగంతో సహా కొన్ని రకాల విపరీత వాతావరణాలను మెరుగ్గా సంగ్రహించగలదు. సాంప్రదాయ మోడళ్లకు అవసరమైన గంటలతో పోలిస్తే, సూపర్‌కంప్యూటర్‌లో పనిచేయడానికి జెన్‌కాస్ట్‌కు 10 నిమిషాల కంటే తక్కువ సమయం అవసరం.
ఫలితాలు AI వాతావరణ మోడలింగ్ టెక్నాలజీలో “ఇన్‌ఫ్లెక్షన్ పాయింట్”ని సూచిస్తాయని ప్రైస్ చెప్పారు.
“AI-ఆధారిత వాతావరణ సూచన ప్రధాన సమయానికి సిద్ధంగా ఉంది,” ధర జోడించబడింది. “ఇది ఆపరేషన్‌లో ఉన్న సాంప్రదాయ నమూనాలతో పాటుగా చేర్చబడటం ప్రారంభించడానికి సిద్ధంగా ఉంది.”
GenCast ఇంకా ఆపరేషన్‌లో లేదు, కానీ డీప్‌మైండ్ బృందం ప్రైస్ ప్రకారం దాని ప్రస్తుత అంచనాలు మరియు దాని గత భవిష్య సూచనల ఆర్కైవ్‌ను విడుదల చేయడం ద్వారా దాని వైపు మరో అడుగు వేయాలని యోచిస్తోంది.
పరిష్కరించాల్సిన పెద్ద సమస్య
GenCast అనేది మోడలింగ్‌లో కీలకమైన పురోగతి, కానీ ఇతర వాతావరణ సూచన మోడల్‌లాగా, ఇది సరైనది కాదు.
AI మోడల్‌లు కొత్త సంభావ్య సమస్యను పరిచయం చేస్తాయి, ఎందుకంటే అవి గత డేటాలో చూసిన వాటి ఆధారంగా భవిష్యత్తును అంచనా వేస్తాయి.
“మెషిన్ లెర్నింగ్ మోడల్… భౌతికశాస్త్రం గురించి ఏమీ తెలియదు,” డ్యూబెన్ వివరించారు.
ఇది ఇటీవలి కాలంలో సంభవించని భవిష్యత్ తీవ్రతలను ఊహించడం AIకి కష్టతరం చేస్తుంది. కేవలం 40 సంవత్సరాల డేటాపై శిక్షణ పొందిన AI మోడల్ 100 సంవత్సరాలకు ఒకసారి లేదా 1,000 సంవత్సరాలకు ఒకసారి కుండపోత వర్షపాతం వంటి మారుతున్న వాతావరణంలో రికార్డు వేగంతో సంభవించే తీవ్రతలను ఖచ్చితంగా అంచనా వేయగలదా?
“వాస్తవానికి ఈ మోడల్‌లు మీరు అనుకున్నదానికంటే ఆ విపరీతమైన సంఘటనలకు మరింత బలంగా ఉన్నాయని తేలింది” అని డ్యూబెన్ చెప్పారు. ECMWF ఇప్పుడు ఒక సంవత్సరం కంటే ఎక్కువ కాలంగా నిజ-సమయ వాతావరణానికి వ్యతిరేకంగా AI మోడల్‌లను పరీక్షించింది మరియు తీవ్రమైన సంఘటనలతో కూడా వాటి మొత్తం ఖచ్చితత్వంలో మెరుగుదలలను చూసింది, అతను వివరించాడు.
డ్యూబెన్ ప్రకారం, AI నమూనాలు భూమిపై అసాధ్యమైన భౌతిక శాస్త్రాన్ని కనిపెట్టడం ప్రారంభించగలవు.
ఇతర అంచనా సమస్యలు అలాగే ఉన్నాయి, ముఖ్యంగా అత్యంత విధ్వంసక వాతావరణ దృగ్విషయాలలో ఒకటి: ఉష్ణమండల తుఫానులు.
హరికేన్ లేదా టైఫూన్ వంటి ఉష్ణమండల తుఫాను ఎంత బలంగా మారుతుందో ఖచ్చితంగా అంచనా వేయడం అనేది అన్ని మోడళ్లను వేధించే సమస్య. శిలాజ ఇంధన కాలుష్యం కారణంగా ప్రపంచ వేడెక్కుతున్నప్పుడు ఉష్ణమండల వ్యవస్థలు మరింత బలంగా మరియు వేగంగా తీవ్రతరం అవుతున్నందున ఇది పరిష్కరించాల్సిన కీలకమైన సమస్య.
GenCast ఉష్ణమండల వ్యవస్థల ట్రాక్‌లను అంచనా వేసేటప్పుడు సాంప్రదాయ నమూనాల కంటే మెరుగైన నైపుణ్యాన్ని చూపించింది, అయితే ధర ప్రకారం, తీవ్రతను ఖచ్చితంగా సంగ్రహించడంలో కష్టపడింది.
పాక్షికంగా, GenCast శిక్షణ పొందిన 40 సంవత్సరాల డేటాలో ఇటీవలి గుర్తించదగిన కొన్ని రికార్డ్-బ్రేకింగ్ సిస్టమ్‌లు చేర్చబడలేదు, ప్రైస్ పేర్కొన్నారు.
మోడల్ మరింత డేటాతో శిక్షణ పొందుతున్నందున భవిష్యత్తులో “చాలా నమ్మకంగా” ధరను అధిగమించడం అనేది ఒక సమస్య.
మెషిన్ లెర్నింగ్‌ను వాస్తవ-ప్రపంచ భౌతిక శాస్త్రంతో కలపడం ద్వారా అభివృద్ధిలో నమూనాలు కూడా ఉన్నాయి — వీటిని హైబ్రిడ్ మోడల్స్ అని పిలుస్తారు — ఈ సమస్యలలో కొన్నింటికి ఇది పరిష్కారం కావచ్చు.
ఈ నూతన సాంకేతికతతో ముందడుగు వేసే ప్రతి అడుగు, ప్రజలు తమ జీవితంలోని దాదాపు ప్రతి అంశానికి సంబంధించి ఖచ్చితమైన అంచనాలను రూపొందించడానికి మానవ వాతావరణ భవిష్య సూచకులు ఉపయోగించే మరొక సాధనాన్ని జోడిస్తుంది.
“మీరు సూత్రప్రాయంగా మెషిన్ లెర్నింగ్ సూచనలకు వ్యతిరేకంగా మీకు కావలసినంత సందేహాస్పదంగా ఉండవచ్చు” అని డ్యూబెన్ చెప్పారు. “ఈ నమూనాలు మన వాతావరణ అంచనాలపై సానుకూల ప్రభావం చూపుతాయి; అక్కడ ప్రశ్న లేదు.”
