تمت زيادة كفاءة الحوسبة بمقدار 3000 مرة! اقترح مختبر لاوشان وآخرون نموذجًا ذكيًا واسع النطاق للتنبؤ ببيئة المحيط، "وينهاي"، والذي يعمل بشكل أفضل من التنبؤ العددي للمحيطات

تنشط في المحيط الدوامات ذات المقاييس الزمنية والمكانية المختلفة. في،تشكل الدوامات متوسطة الحجم ذات المقاييس المكانية التي تتراوح من 10 كيلومتر إلى 100 كيلومتر الناقلات الرئيسية للطاقة الحركية للمحيط.إنها تهيمن على التغيرات قصيرة المدى في سرعة تيار المحيط ودرجة الحرارة والملوحة، ولها تأثيرات مهمة على العمليات الجوية. ولذلك، فإن التنبؤ الدقيق بالدوامات متوسطة الحجم ليس أمرا حاسما لأنشطة المحيطات وإدارتها فحسب، بل يساعد أيضا على تحسين دقة التوقعات الجوية.

في الماضي، كان علماء المحيطات يتنبأون بالتغيرات المستقبلية في المحيطات بشكل أساسي من خلال حل مجموعات كبيرة من المعادلات الفيزيائية رقميًا. في عملية الحل العددي، مع زيادة دقة الشبكة، يزداد العبء الحسابي بسرعة.ويؤدي هذا إلى الحاجة إلى موارد حاسوبية ضخمة للتنبؤ بالدوامات المحيطية متوسطة الحجم.في السنوات الأخيرة، جلب الذكاء الاصطناعي أساليب جديدة وأدوات قوية للبحث العلمي وأحرز تقدماً مهماً في التنبؤ بالطقس. لكن،لا تزال نماذج الذكاء الاصطناعي الكبيرة الحالية تعاني من مشاكل مثل التمثيل غير الكافي للتفاعلات البحرية والجوية ونتائج التوقعات الغامضة.ويشكل هذا تحديًا أمام تحقيق توقعات دقيقة للبيئة البحرية.

ردًا على ذلك، قام فريق البحث بقيادة الأكاديمي وو ليكسين من مختبر لاوشان، بالتعاون مع جامعة المحيطات الصينية، وجامعة العلوم والتكنولوجيا في الصين، ومجموعة تشينغداو غوشي للتكنولوجيا المحدودة، بدمج علم المحيطات الفيزيائية بشكل عميق مع الذكاء الاصطناعي، واستخدم نظرية ديناميكيات المحيطات لدفع تصميم بنية الشبكة العصبية.لقد قمنا بتطوير "اسأل البحر" - وهو نموذج ذكي للتنبؤ بالبيئة المحيطية العالمية بدقة عالية (1/12 درجة).

وقد نُشرت نتائج البحث ذات الصلة على الإنترنت في مجلة Nature Communications تحت عنوان "التنبؤ بالمحيط الدوامي باستخدام شبكة عصبية عميقة".

أبرز الأبحاث:

* يستخدم نموذج "اسأل البحر" نظرية ديناميكيات المحيط لتوجيه تصميم بنية الشبكة العصبية

* أداء التنبؤ لنموذج "وينهاي" الكبير أفضل من نظام التنبؤ العددي الذي أصدره مركز ميركاتور الدولي لعلوم المحيطات في فرنسا

* لقد حسّن نموذج "وينهاي" الكبير الكفاءة الحسابية بمقدار 3000 مرة مقارنة بنموذج التنبؤ العددي

عنوان الورقة:
https://www.nature.com/articles/s41467-025-57389-2

يجمع مشروع المصدر المفتوح "awesome-ai4s" أكثر من 200 تفسير لورقة AI4S ويوفر مجموعات بيانات وأدوات ضخمة:
https://github.com/hyperai/awesome-ai4s

مجموعة البيانات: استخدام بيانات مراقبة المحيط كحقيقة أساسية

تتضمن البيانات المستخدمة في هذه الدراسة بشكل أساسي بيانات إعادة تحليل المحيطات والغلاف الجوي لنماذج التدريب، والبيانات الرصدية لتقييم قدرات التنبؤ الخاصة بالنموذج. تتضمن بيانات إعادة التحليل بيانات إعادة تحليل المحيطات العالمية 1/12° من GLORYS من مركز ميركاتور الدولي لعلوم المحيطات في فرنسا، وبيانات إعادة تحليل الغلاف الجوي العالمية 1/4° من ERA5 من المركز الأوروبي للتنبؤات الجوية متوسطة المدى.

على عكس نماذج الأرصاد الجوية القائمة على الذكاء الاصطناعي، والتي تستخدم بشكل أساسي بيانات إعادة التحليل كحقل أولي للتنبؤ،تستخدم هذه الدراسة بشكل صارم المجال الأولي وحقل القوة المتوافق مع نظام التنبؤ العددي للمحيط لدفع النموذج الكبير، وتستخدم بيانات مراقبة المحيط كقيمة حقيقية.تقييم قدرات التنبؤ الفعلية لنموذج المحيط ونظام التنبؤ العددي للمحيط بشكل موضوعي.

يأتي الحقل المحيطي الأولي من نظام التنبؤ GLO12v4 التابع لمركز ميركاتور الدولي لعلوم المحيطات في فرنسا، ويأتي حقل التنبؤ الجوي من نظام التنبؤ IFS HRES التابع للمركز الأوروبي للتنبؤات الجوية متوسطة المدى. تتضمن بيانات المراقبة ملف درجة الحرارة والملوحة الذي تم قياسه بواسطة Argo، وارتفاع سطح البحر الذي تم قياسه بواسطة الاستشعار عن بعد عبر الأقمار الصناعية، ودرجة حرارة سطح البحر وسرعة التيار السطحي بالقرب من الشاطئ التي تم قياسها بواسطة العوامات المنجرفة.

إطار النموذج: نظرية ديناميكيات المحيطات تدفع تصميم بنية الشبكة العصبية

تواجه نماذج الذكاء الاصطناعي الكبيرة الحالية مشاكل مثل التمثيل غير الكافي للتفاعلات بين البحر والهواء ونتائج التنبؤ الضبابية، مما يشكل تحديات أمام تحقيق توقعات دقيقة للبيئة البحرية. من خلال التكامل العميق بين علم المحيطات الفيزيائية والذكاء الاصطناعي، يتم تصميم بنية الشبكة العصبية من خلال نظرية ديناميكيات المحيط، والتي تتغلب بشكل فعال على أوجه القصور في نماذج الذكاء الاصطناعي الكبيرة الموجودة.

يقوم نموذج "Wenhai" بتضمين الصيغة الشاملة بشكل صريح في الشبكة العصبية.فهو يصف بدقة الزخم والحرارة وتبادل المواد بين البحر والهواء؛ يستخدم قناع توزيع البحر والأرض لإعطاء النموذج القدرة على إدراك التضاريس والحدود الساحلية؛ يستخدم الاتجاه المتغير لحالة المحيط كهدف للتنبؤ، بحيث يولي النموذج المزيد من الاهتمام للعمليات سريعة التغير على نطاق صغير ومتوسط؛ يقلل من فقدان المعلومات في عملية تقليل العينات عن طريق تحسين معلمات الشبكة العصبية، ويعزز دقة العمليات الصغيرة والمتوسطة الحجم في المحيط؛ يستخدم تقنية الضبط الدقيق لتحسين الخطأ التراكمي في عملية التنبؤ التكراري.

الاستنتاج التجريبي: قدرة التنبؤ لنموذج "وينهاي" الكبير أفضل من قدرة نظام التنبؤ العددي للمحيطات

إن العمليات الصغيرة النطاق في المحيط غير خطية إلى حد كبير ولديها قدرة منخفضة على التنبؤ؛ علاوة على ذلك، فإن عمليات رصد المحيطات نادرة، والمجال الأولي الذي يوفره نظام الاستيعاب ينحرف عن حالة المحيط الفعلية. لذلك،ومن الصعب أن نشترط أن تكون العمليات المتوقعة على النطاقين الصغير والمتوسط متوافقة تماما مع الملاحظات الفعلية من حيث الموقع والشدة.وعلى وجه الخصوص، ونظراً لوجود مشكلة "العقوبة المزدوجة"، فإن مؤشرات الخطأ التقليدية من نقطة إلى نقطة، مثل خطأ الجذر التربيعي المتوسط (RMSE)، ليست مناسبة لتقييم أداء أنظمة التنبؤ عالية الدقة. لأن مثل هذه المؤشرات سوف تجعل أداء أنظمة التنبؤ عالية الدقة "يبدو" أسوأ من أداء الأنظمة منخفضة الدقة، حتى لو كانت الأولى قادرة على عكس الحالة الفعلية للمحيط بشكل أفضل.

من أجل إجراء مقارنة عادلة بين نموذج "Wenhai" الكبير ونظام التنبؤ العددي GLO12v4، اعتمدت هذه الدراسة مخطط "تقييم الحي" لأنظمة التنبؤ عالية الدقة.يتم أخذ قيم التنبؤ ضمن نطاق معين حول القيمة الملاحظة كتوقعات جماعية للموقع الملاحظ، ويتم تقييم درجات احتمالية التصنيف المستمر (CRPS) الخاصة بها. وتظهر نتائج العودة من أبريل إلى نوفمبر 2024 أن أداء التنبؤ بالنموذج الكبير "Wenhai" لدرجة الحرارة والملوحة وسرعة التيار وارتفاع مستوى سطح البحر في الأيام العشرة المقبلة أفضل من أداء نظام التنبؤ العددي GLO12v4. في نفس الوقت،لقد تمكن نموذج "وينهاي" الكبير من تحسين كفاءته الحسابية بنحو 3000 مرة مقارنة بنموذج التنبؤ العددي.يُوفر بشكل كبير وقت الحوسبة واستهلاك الطاقة.

درجة الاحتمالية المرتبة المستمرة (CRPS، كلما انخفضت كانت أفضل) لنتائج التنبؤ للنموذج الكبير "اسأل البحر" (الخط الأزرق) ونظام التنبؤ العددي GLO12v4 لمركز ميركاتور الدولي لعلوم المحيطات في فرنسا (الخط الأحمر) من أبريل إلى نوفمبر 2024.

(أ) ملف درجة الحرارة

(ب) ملف الملوحة

(ج) درجة حرارة سطح البحر

(د) شذوذ مستوى سطح البحر

(هـ) السرعة الإقليمية 15 مترًا و

(و) السرعة الزوالية 15 متر. يوضح ملف تعريف درجة الحرارة والملوحة متوسط CRPS الرأسي. يشير التظليل إلى الفاصل الزمني للثقة لـ 50% الذي تم الحصول عليه باستخدام طريقة التمهيد.