DeepMind وGoogle Research تتعاونان لإنشاء "محارب سداسي" للتنبؤ بالطقس باستخدام الذكاء الاصطناعي

في العاشر من ديسمبر، أعلنت مجلة نيتشر عن أفضل عشرة أشخاص لعام 2024. ورغم أن محتوى الذهب ليس مثيرًا للإعجاب مثل جائزة نوبل، إلا أنه يمكن القول إن هذه المجلة الأكاديمية الرائدة التي يزيد تاريخها عن 100 عام شاهد على التقدم العلمي، لذا فإن هؤلاء الأشخاص العشرة يمثلون أيضًا الأحداث العلمية المهمة لهذا العام إلى حد ما. في القائمة المختصرة،ومن بينهم ريمي لام، الباحث في شركة جوجل ديب مايند.

ذكرت الطبيعة:وكان لام رائداً في استخدام التعلم الآلي لتحسين التنبؤ بالطقس.لقد شهد هذا المجال تقدمًا كبيرًا خلال السنوات القليلة الماضية، وكان لام وفريقه في طليعة هذا المجال. على الرغم من أن الشركات والمؤسسات مثل مايكروسوفت، وإنفيديا، وهواوي، والمركز الأوروبي للتنبؤات الجوية متوسطة المدى (ECMWF) تتسابق لتطوير أنظمة التنبؤ بالطقس بمساعدة الذكاء الاصطناعي. "ولكن بالنسبة لمعظم هذا العام، كان المشروع الذي قاده لام والذي يسمى GraphCast هو الرائد في مجال الدقة."

ومن الجدير بالذكر أنه قبل وقت قصير من الإعلان عن القائمة، اقترح فريق لام نموذجًا جديدًا للتنبؤ بالطقس، GenCast، والذي سجل رقمًا قياسيًا جديدًا.من الممكن إنشاء مجموعة عشوائية من التوقعات العالمية لمدة 15 يومًا في 8 دقائق.يغطي أكثر من 80 متغيرًا سطحيًا وجويًا.

قد يتساءل بعض القراء لماذا لم تختار DeepMind أو Google مسار تطوير AlphaFold للتنبؤ بالطقس، أي الاستمرار في تكرار نفس النموذج وإنشاء منتج "رائع"؟ ويتكهن المؤلف بجرأة بأن هذا الأمر يرتبط ارتباطًا وثيقًا بدورة التنبؤ، من ناحية أخرى. تنطبق توقعات الطقس قصيرة ومتوسطة وطويلة الأجل على سيناريوهات مختلفة ولها متطلبات دقة مختلفة، لذلك من الصعب أن تكون متسقة. ومن ناحية أخرى، يتعلق الأمر أيضًا باستكشاف الطرق التقنية التي يواجهها مجال التنبؤ بالطقس حاليًا - ما إذا كانت الذكاء الاصطناعي سوف يهيمن على العالم، أو ما إذا كانت التوقعات الرقمية التقليدية وتوقعات الذكاء الاصطناعي سوف تتعايشان.

مع الأخذ في الاعتبار التوقعات قصيرة الأجل / متوسطة الأجل / طويلة الأجل، ودمج الأساليب التقليدية مع الذكاء الاصطناعي

التوقعات قصيرة المدى،يشير عادة إلى الظروف الجوية في الأيام 1-3 القادمة، وتوفير معلومات مفصلة نسبيا عن تغير الطقس، مثل درجة الحرارة، وهطول الأمطار، وسرعة الرياح واتجاهها، وما إلى ذلك، وذلك أساسا لتوفير التوجيه للحياة اليومية للناس واتخاذ الاحتياطات في الوقت المناسب في حالة هطول أمطار غزيرة؛التوقعات متوسطة المدى،يشير إلى توقعات الطقس للأيام الثلاثة إلى العشرة المقبلة. تتمتع توقعات الاتجاه بنطاق أوسع ويتم استخدامها بشكل أساسي للتخطيط الزراعي وجدولة الخزانات والتحذير من الفيضانات / الجفاف وتخطيط سلسلة توريد الخدمات اللوجستية.التوقعات طويلة المدىيشير هذا المصطلح إلى توقعات الطقس لأكثر من 10 أيام في المستقبل، مع توفير الاتجاهات المتغيرة وأنماط المناخ، والتي يمكن استخدامها للتخطيط لمشاريع واسعة النطاق مثل البنية التحتية، وكذلك لإدارات الصحة العامة لاتخاذ الاحتياطات المسبقة ضد ضغوط الموارد الطبية الناجمة عن الطقس القاسي مثل موجات البرد وارتفاع درجات الحرارة.

مع التركيز على المستوى الفني،تتطلب التوقعات قصيرة الأجل دقة زمنية أعلى ونماذج متطورة، مثل نماذج السلاسل الزمنية القائمة على التعلم العميق. وتحتاج التوقعات متوسطة الأمد إلى الأخذ في الاعتبار العمليات الديناميكية للغلاف الجوي والمحيط على مدى فترة زمنية أطول. تميل التوقعات طويلة الأجل إلى الاعتماد على التعرف على الأنماط والإحصاءات بدلاً من المحاكاة الرقمية عالية الدقة.

وبشكل عام، من الصعب أن يتمكن نموذج واحد من تلبية تعقيدات التوقعات القصيرة والمتوسطة والطويلة الأجل في وقت واحد. على سبيل المثال، تتطلب التوقعات قصيرة الأجل دقة عالية، في حين تتطلب التوقعات طويلة الأجل تغطية واسعة؛ إن التنبؤات الجوية قصيرة المدى أكثر دقة، في حين أن التنبؤات الجوية طويلة المدى تنطوي على أخطاء أكبر...تتطلب هذه الاختلافات من النموذج إجراء مقايضات بين المهام المختلفة، مما يجعل تحسين النموذج أكثر صعوبة.

ولذلك فإن معظم نتائج الأبحاث الحالية موجهة وتسعى إلى تحقيق الدقة العالية واستهلاك الوقت القصير في المهام الفردية. وقد اعتمدت شركة جوجل أيضًا هذه الاستراتيجية في البداية.

في عام 2023، تم إطلاق GraphCast، الذي يتولى لام المسؤولية عنه. هذا نموذج انحداري ذاتي يعتمد على الشبكات العصبية البيانية التي اقترحتها شركة DeepMind للتنبؤ بالطقس على المدى المتوسط. يمكن تدريبه مباشرة من بيانات إعادة التحليل والتنبؤ بمئات المتغيرات الجوية للأيام العشرة المقبلة في جميع أنحاء العالم بدقة 0.25 درجة في غضون دقيقة واحدة. من بين 1380 هدفًا للتحقق، يتفوق GraphCast بشكل كبير على نظام الأعمال الحتمي الأكثر دقة في أهداف 90%.

من حيث سرعة التنبؤ، هناك حاجة إلى جهاز Google TPU v4 واحد لإكمال توقعات الطقس لمدة 10 أيام في 60 ثانية.

كل ما عليك فعله هو إدخال ظروف الطقس قبل 6 ساعات وظروف الطقس الحالية، وسيتمكن GraphCast من التنبؤ بظروف الطقس للساعات الست القادمة. تستمر هذه العملية لمدة 6 ساعات متتالية، مما يوفر ما يصل إلى 10 أيام من التوقعات الحالية.

في عام 2024، أصدرت Google Research برنامج NeuralGCM. يُظهر اسم أداة التنبؤ بالطقس على المدى الطويل هذه اختيار فريق البحث لمسار التكنولوجيا - Neural هي شبكة عصبية، وGCM هو الاسم الكامل لـ General Circulation Models، وهو محاكي للطقس يعتمد على الفيزياء. كما يوحي الاسم،يجمع NeuralGCM بين الحلول القابلة للتفاضل للديناميكيات الجوية مع التعلم الآلي.إن الجمع بين أساليب الفيزياء التقليدية والذكاء الاصطناعي هو بالضبط الاتجاه العام في مجال أبحاث التنبؤ بالطقس الحالي.

قبل أن تحدث الذكاء الاصطناعي ثورة في مجال البحوث الأرصاد الجوية، أصبحت التنبؤات العددية هي التكنولوجيا السائدة في هذا المجال لمدة تقرب من مائة عام. ويعتمد على مبادئ الفيزياء والنظرية الجوية، ويتنبأ بالاتجاه المتغير للظروف الجوية من خلال حل معادلات ديناميكيات السوائل والديناميكية الحرارية التي تصف حركة الغلاف الجوي. بعد ظهور تقنيات مثل التعلم الآلي، كان هناك الكثير من النقاش في الصناعة: هل سيحل الذكاء الاصطناعي محل التنبؤ العددي تمامًا؟

والآن يبدو أن الجمع بين الاثنين قد يكون الحل الأفضل. باستخدام NeuralGCM كمثال، بينما تعتمد تقنية الذكاء الاصطناعي على الحوسبة التقليدية لمحاكاة العمليات الفيزيائية واسعة النطاق، فإنها تستطيع أيضًا التعامل مع الظواهر الصغيرة النطاق (مثل تشكل السحب والمناخ الإقليمي المحلي) وتصحيح الأخطاء المتراكمة على نطاقات صغيرة.

وبناءً على ذلك، نجح NeuralGCM في تحقيق تقدم كمي في الأداء. من توقعات الطقس لمدة تتراوح بين 1 و15 يومًا إلى توقعات المناخ لمدة 10 سنوات، فإن دقتها قابلة للمقارنة بأفضل النماذج من نوعها في نطاقات زمنية مختلفة.

وعلى وجه التحديد، يتفوق نموذجها الحتمي NeuralCGM-0.7° بدقة 0.7° على نماذج التعلم الآلي الصرفة في دقة التنبؤ بالطقس؛ في توقعات لمدة 1-15 يومًا، فإنه يعمل على قدم المساواة مع المركز الأوروبي للتنبؤات الجوية متوسطة المدى (ECMWF). وفي الوقت نفسه، فيما يتعلق بالتنبؤ بالمناخ على المدى الطويل، فإن نتائج محاكاة التنبؤ بالمناخ لمدة 40 عامًا باستخدام NeuralGCM تتوافق مع اتجاه الاحتباس الحراري العالمي الذي أظهرته بيانات ECMWF.

إنجازات DeepMind الجديدة في مجال التنبؤ بالطقس

في الرابع من ديسمبر، نشرت شركة DeepMind ورقة بحثية بعنوان "التنبؤ بالطقس الاحتمالي باستخدام التعلم الآلي" في مجلة Nature.تم اقتراح طريقة جديدة للتنبؤ بالطقس تعتمد على التعلم الآلي تسمى GenCast.ريمي لام هو أحد المؤلفين المراسلين. تملأ هذه الطريقة جزءًا آخر من اللغز بالنسبة لجوجل في مجال التنبؤ بالطقس، مما يجعلها أكثر اكتمالاً من المسار الفني إلى دقة التنبؤ.
عنوان الورقة:
https://www.nature.com/articles/s41586-024-08252-9

من حيث المسار الفني،على الرغم من أن كليهما عبارة عن طرق تعلم آلي، فإن GenCast يختلف عن GraphCast في أنه يعتمد على شبكة عصبية بيانية. وبدلاً من ذلك، يتم تنفيذه بناءً على نموذج الانتشار ويستخدم المحول لإكمال عملية إزالة الضوضاء. وفي الوقت نفسه، من حيث دقة التنبؤ، نجح GenCast في تحسين دقته المكانية بشكل كبير مقارنةً بـ NeuralGCM، ويمكنه وصف الظواهر الجوية على نطاق صغير بشكل أكثر وضوحًا.

على وجه التحديد، تم تدريب GenCast على عقود من بيانات إعادة التحليل.من الممكن إنشاء توقعات الطقس العالمية لمدة 15 يومًا تحتوي على مجموعة عشوائية في 8 دقائق.يتم إنتاج النتائج كل 12 ساعة بدقة مكانية تبلغ 0.25 درجة (خط العرض - خط الطول) وتغطي أكثر من 80 متغيرًا سطحيًا وجويًا. قام الباحثون بتقييم 1320 هدفًا للتنبؤ وأظهرت النتائج أن أداء GenCast كان أفضل من ENS (نظام التنبؤ العددي بالطقس) على هدف 97.2%، وخاصة في الطقس القاسي، والتنبؤ بمسار الأعاصير المدارية والتنبؤ بتوليد طاقة الرياح.

باختصار، عملت DeepMind وGoogle Research معًا لاستكشاف موضوع التنبؤ بالطقس، وتحقيق تغطية أكثر شمولاً مع استكشاف الطرق الفنية - بما في ذلك التنبؤات الجوية الحتمية المتوسطة والقصيرة الأجل، بالإضافة إلى توقعات المناخ طويلة الأجل؛ طرق التعلم الآلي النقية ذات الأداء الممتاز، و"المحاربين السداسيين" الذين يدمجون التنبؤ العددي والذكاء الاصطناعي.

تتنافس مائة مدرسة فكرية على بناء نموذج للتنبؤ بالطقس يعتمد على نقاط الضعف

ومن المؤكد أن جوجل ليست الشركة الوحيدة التي تهيمن على مجال التنبؤ بالطقس. وقد أصدرت كل من هواوي ومايكروسوفت ونفيديا وشركات أخرى نتائج ذات صلة. على الرغم من أنها ليست "واسعة النطاق" مثل Google، إلا أن لكل منها نقاط قوتها الخاصة.

على سبيل المثال، يعد نموذج التنبؤ بالطقس Pangu من Huawei أول طريقة ذكاء اصطناعي تتمتع بدقة تنبؤ تتجاوز دقة نماذج التنبؤ العددي التقليدية، ويمكن زيادة سرعة التنبؤ بما يزيد عن 10000 مرة. ويهدف إلى حل مشكلة عدم دقة توقعات الطقس بالذكاء الاصطناعي.تم اقتراح محول ثلاثي الأبعاد خاص بالأرض.يتم استخدام استراتيجية تجميع المجال الزمني الهرمي لتقليل عدد تكرارات التنبؤ وبالتالي تقليل خطأ التكرار.

أول نموذج أساسي جوي واسع النطاق من مايكروسوفت، أورورا،إنه قادر على العمل بدقة مكانية عالية تصل إلى 0.1 درجة، وبالتالي التقاط التفاصيل المعقدة للحركة الجوية.من الممكن الحصول على توقعات الطقس عالية الدقة لمدة 10 أيام في أقل من دقيقة واحدة.

وقد كانت شركة NVIDIA رائدة في مجال إنشاء منصة سحابية رقمية مفتوحة متكاملة للمناخ، EARTH-2، والتي تدمج جميع نتائج علماء المناخ للمشاركة والاستخدام من قبل العلماء في جميع أنحاء العالم.

هناك إنجازات لا تعد ولا تحصى في العالم الأكاديمي.FengWu-GHR، أول نموذج أرصاد جوية يعتمد على الذكاء الاصطناعي لتحسين دقة التوقعات إلى 0.09 درجة،"Fuxi" الذي يمكن استخدامه للتنبؤات المناخية دون الموسمية، وما إلى ذلك.

ليس هناك شك في أن أبحاث التنبؤ بالطقس تزدهر حاليًا مع وجود مائة مدرسة فكرية تتنافس، والعديد من الطرق التقنية تعمل بالتوازي، والتي، في حين تعمل على تحسين الدقة المكانية، تلبي التوقعات الحتمية المتوسطة والقصيرة الأجل وتوقعات المناخ على النحو الشامل قدر الإمكان. وفي المستقبل، ومع التكرار المستمر لتكنولوجيا الذكاء الاصطناعي، يبقى أن نرى ما إذا كانت التكنولوجيا السائدة ستظهر لتهيمن على العالم. ومع ذلك، على المدى القصير، لا يزال الجمع بين الذكاء الاصطناعي والتنبؤ العددي التقليدي يشكل الحل الأفضل. ولا يزال يتعين علينا استكشاف كيفية اختراق الدقة المكانية على هذا الأساس.

مراجع:
1.https://www.nature.com/articles/d41586-024-03898-x
2.https://mp.weixin.qq.com/s/boOoF782fm1s65hCQ-smpg
3.https://mp.weixin.qq.com/s/0krO