يتنبأ DeepMind AI بالطقس بدقة أكبر من التوقعات الحالية

يدعي Google DeepMind أن أحدث تقنيات الذكاء الاصطناعي للتنبؤ بالطقس يمكن أن تجعل التنبؤات أسرع وأكثر دقة من عمليات المحاكاة القائمة على الفيزياء.

GenCast هو الأحدث في مشروع بحث DeepMind المستمر لاستخدام الذكاء الاصطناعي لتحسين التنبؤ بالطقس. تم تدريب النموذج على أربعة عقود من البيانات التاريخية من أرشيف ERA5 التابع للمركز الأوروبي للتنبؤات الجوية متوسطة المدى (ECMWF)، والذي يتضمن قياسات منتظمة لدرجة الحرارة وسرعة الرياح والضغط على ارتفاعات مختلفة حول العالم.

وتم استخدام البيانات حتى عام 2018 لتدريب النموذج، ثم تم استخدام البيانات من عام 2019 لاختبار توقعاته مقابل الطقس المعروف. ووجدت الشركة أنها تجاوزت توقعات ENS القياسية الصناعية لـ ECMWF بنسبة 97.4 في المائة من الوقت إجمالاً، و99.8 في المائة من الوقت عند التطلع إلى الأمام لأكثر من 36 ساعة.

في العام الماضي، عملت DeepMind مع ECMWF لإنشاء ذكاء اصطناعي يتفوق على توقعات HRES عالية الدقة لمدة 10 أيام “المعيار الذهبي” بأكثر من 90 في المائة من الوقت. وقبل ذلك، كانت قد طورت نماذج “التنبؤ الآني” التي تنبأت بفرصة هطول الأمطار في منطقة معينة مساحتها كيلومتر مربع من 5 إلى 90 دقيقة باستخدام 5 دقائق من بيانات الرادار. وتعمل جوجل أيضًا على إيجاد طرق لاستخدام الذكاء الاصطناعي لاستبدال أجزاء صغيرة من النماذج الحتمية لتسريع العمليات الحسابية مع الحفاظ على الدقة.

تعتمد التنبؤات الجوية الحالية على عمليات محاكاة فيزيائية يتم تشغيلها على أجهزة كمبيوتر عملاقة قوية تعمل بشكل حتمي على تصميم واستقراء أنماط الطقس بأكبر قدر ممكن من الدقة. عادةً ما يقوم المتنبئون بإجراء العشرات من عمليات المحاكاة بمدخلات مختلفة قليلاً في مجموعات تسمى المجموعات لالتقاط مجموعة من النتائج المحتملة بشكل أفضل. إن عمليات المحاكاة المتزايدة التعقيد والمتعددة تتطلب عمليات حسابية مكثفة للغاية وتتطلب تشغيل آلات أكثر قوة ومتعطشة للطاقة.

يمكن للذكاء الاصطناعي أن يقدم حلاً أقل تكلفة. على سبيل المثال، تقوم GenCast بإنشاء تنبؤات تتضمن مجموعة من 50 توقعًا مستقبليًا محتملاً، يستغرق كل منها 8 دقائق فقط على شريحة Google Cloud TPU v5 المصممة خصيصًا والتي تركز على الذكاء الاصطناعي.

يعمل GenCast بدقة خلايا تبلغ حوالي 28 كيلومترًا مربعًا عند خط الاستواء. منذ أن تم جمع البيانات المستخدمة في هذا البحث، تمت ترقية نظام ENS الخاص بـ ECMWF إلى دقة تبلغ 9 كيلومترات فقط.

يقول إيلان برايس من شركة DeepMind إن الذكاء الاصطناعي قد لا يحتاج إلى أن يحذو حذوه ويمكن أن يوفر طريقة للمضي قدمًا دون جمع بيانات أكثر دقة وإجراء حسابات أكثر كثافة. يقول برايس: “عندما يكون لديك نموذج تقليدي قائم على الفيزياء، فهذا مطلب ضروري للحصول على تنبؤات أكثر دقة، لأنه مطلب ضروري لحل المعادلات الفيزيائية بشكل أكثر دقة”. “[With] التعلم الآلي, [it] ليس من الضروري أن يكون الانتقال إلى دقة أعلى شرطًا للحصول على عمليات محاكاة أو تنبؤات أكثر دقة من النموذج الخاص بك.

يقول ديفيد شولتز، من جامعة مانشستر بالمملكة المتحدة، إن نماذج الذكاء الاصطناعي تمثل فرصة لجعل التنبؤات الجوية أكثر كفاءة، لكنها غالبًا ما تكون مبالغ فيها، ومن المهم أن نتذكر أنها تعتمد بشكل كبير على بيانات التدريب من النماذج التقليدية القائمة على الفيزياء.

“هل هو كذلك؟” [GenCast] هل سيحدث ثورة في التنبؤ العددي بالطقس؟ لا، لأنه لا يزال يتعين عليك تشغيل نماذج التنبؤ العددي بالطقس في المقام الأول لتدريب النماذج،» كما يقول شولتز. “إذا لم يكن لديك ECMWF في المقام الأول، وإنشاء عمليات إعادة تحليل ERA5، وكل الاستثمار الذي تم إنفاقه في ذلك، فلن يكون لديك أدوات الذكاء الاصطناعي هذه. هذا مثل القول: “يمكنني التغلب على غاري كاسباروف في لعبة الشطرنج، ولكن فقط بعد أن أدرس كل حركة لعبها على الإطلاق”.

ويعتقد سيرجي فرولوف، من الإدارة الوطنية الأمريكية للمحيطات والغلاف الجوي (NOAA)، أن الذكاء الاصطناعي سيحتاج إلى بيانات تدريب ذات دقة أعلى لتحقيق المزيد من التقدم. “ما نراه بشكل أساسي هو أن كل هذه الأساليب قد توقفت [from advancing] يقول: “من خلال دقة بيانات التدريب”. “وتأتي بيانات التدريب من المراكز التشغيلية مثل ECMWF وNOAA. ولدفع هذا المجال إلى الأمام، نحتاج إلى توليد المزيد من بيانات التدريب باستخدام نماذج قائمة على الفيزياء ذات دقة أعلى.

لكن في الوقت الحالي، توفر GenCast طريقة لتشغيل التوقعات بتكلفة حسابية أقل، وبسرعة أكبر. يقول كيران هانت من جامعة ريدينغ بالمملكة المتحدة، إنه مثلما يمكن لمجموعة من التنبؤات المستندة إلى الفيزياء أن تولد نتائج أفضل من توقعات واحدة، فهو يعتقد أن المجموعات ستعزز دقة توقعات الذكاء الاصطناعي.

يشير هانت إلى درجات الحرارة القياسية البالغة 40 درجة مئوية (104 درجة فهرنهايت) التي شهدتها المملكة المتحدة في عام 2022 كمثال. وقبل أسبوع أو أسبوعين، كان هناك أعضاء منفردون في الفرق يتنبأون بذلك، لكنهم اعتبروا أمرًا شاذًا. ثم، مع اقترابنا من موجة الحر، تزايد عدد التوقعات التي تتوافق مع توقعاتنا، مما سمح بالإنذار المبكر بأن شيئا غير عادي قادم.

“إنه يسمح لك بالتحوط قليلاً إذا كان هناك عضو واحد يُظهر شيئًا متطرفًا حقًا؛ يقول هانت: “قد يحدث ذلك، لكنه على الأرجح لن يحدث”. “لا أعتبره بالضرورة خطوة تغيير. إنها تجمع بين الأدوات التي كنا نستخدمها في التنبؤ بالطقس لفترة من الوقت مع نهج الذكاء الاصطناعي الجديد بطريقة ستعمل بالتأكيد على تحسين جودة تنبؤات الطقس باستخدام الذكاء الاصطناعي. ليس لدي أدنى شك في أن هذا سيكون أفضل من الموجة الأولى من تنبؤات الطقس المعتمدة على الذكاء الاصطناعي.