لقد أدى نموذج CoTCN الذي طوره معهد الفيزياء الجوية إلى تحسين دقة التنبؤات بدرجات حرارة سطح البحر العالمية بشكل كبير، حيث بلغ خطأ التنبؤ بدرجة حرارة سطح البحر لمدة يوم واحد 0.2 درجة مئوية فقط.

 

في مؤتمر CCF العالمي للحوسبة عالية الأداء لعام 2025، أعلن الفريق بقيادة الباحث لين بينجفي من معهد الفيزياء الجوية بالأكاديمية الصينية للعلوم عن نتيجة بحثية مهمة.نجح الفريق في تطوير نموذج التعلم العميق CoTCN الذي يربط بين إطار عمل Transformer و CNN.لقد تم تحقيق تقدم كبير في مجال التنبؤات قصيرة الأجل لدرجة حرارة سطح البحر العالمية، مما يوفر الدعم الفني الرئيسي لتوقعات البيئة البحرية.

قامت شركة HyperAI بتجميع وتلخيص المداخلة المتعمقة للباحث لين بينغفي دون المساس بالهدف الأصلي. وفيما يلي نص الكلمة.

الهندسة المعمارية المبتكرة تحل تحديات النمذجة متعددة المقاييس

ترتبط التغيرات في درجة حرارة سطح المحيط ارتباطًا وثيقًا بالدورة الجوية وهطول الأمطار على اليابسة وما إلى ذلك، ولها تأثير مهم على سلامة الشحن البحري وبيئة مصائد الأسماك البحرية ورصد البيئة البحرية.ومع ذلك، تواجه نماذج التنبؤ الديناميكي التقليدية مشاكل مثل بطء سرعة التشغيل والنشر غير الملائم، في حين تواجه نماذج الذكاء الاصطناعي ذات الهندسة المعمارية الفردية قيودًا مثل الافتقار إلى التفاصيل المحلية أو صعوبة نمذجة التبعيات العالمية.وقد وجد أن خطأ درجة حرارة سطح البحر للتنبؤات الديناميكية والذكاء الاصطناعي الموجودة في المناطق النشطة الدوامية، وخاصة في مناطق الدوامات المتوسطة الحجم النشطة مثل تيار كوروشيو وتيار الخليج، أعلى بنحو 40% على الأقل من المتوسط العالمي.
على سبيل المثال، تستطيع شبكة الذاكرة طويلة المدى (LSTM)، التي طُوّرت سابقًا، التقاط خصائص تطور السلاسل الزمنية لـ SST بفعالية، والتغلب على مشكلة التدرج المتلاشي في الشبكات العصبية التقليدية، وتحقيق تنبؤات سريعة ودقيقة. مع ذلك، لا تزال هذه الطريقة تفتقر إلى تفسير مادي، ويعتمد تنبؤها بالأحداث المتطرفة على مدى تغطية بيانات التدريب.

doi: 10.3878/j.issn.1006-9895.2302.22128

وقد تناول الخطاب نموذج CoTCN الذي تم إنشاؤه حديثًا.يعتمد CoTCN على بنية متوازية ذات فرعين.إنه يجمع بذكاء بين قدرات النمذجة العالمية لـ Transformer ومزايا استخراج الميزات المحلية لـ CNN.

يقوم الفرع 1 ببناء هرم مميز متعدد المقاييس استنادًا إلى Swin Transformer.يتم تخفيض الدقة تدريجيًا من 720×1440 إلى 45×90، ويتم دمج المعلومات ذات المقاييس المختلفة من خلال اتصالات التخطي.

يستخدم الفرع 2 بنية تشفير وفك تشفير CNN المسؤولة بشكل خاص عن الحفاظ على الاستمرارية المكانية والتفاصيل المحلية.يتم دمج الفرعين بشكل تكيفي من خلال آلية انتباه القناة، ويمكن للنموذج أن يحدد تلقائيًا ما إذا كان سيعتمد بشكل أكبر على المعلومات العالمية أو التفاصيل المحلية في مناطق بحرية مختلفة وعلى مقاييس مختلفة.

يعمل الفرعان معًا لتسليط الضوء على مزايا CNN وTransformer وتحسين دقة التنبؤ.

الأداء يتفوق على النماذج الحالية في جميع الجوانب

تم التحقق من صحة البحث بالكامل باستخدام بيانات المحيطات العالمية NOAA OISST v2، والتي تغطي سلسلة زمنية مدتها 40 عامًا من عام 1982 إلى عام 2022. أظهرت نتائج الاختبار على منصة الحوسبة DCU المحلية أن CoTCN أظهرت مزايا كبيرة على النماذج السائدة مثل ConvLSTM و ConvGRU و AFNO و PredRNN و SwinLSTM.

من حيث دقة التنبؤات، يبلغ خطأ جذر متوسط مربعات (RMSE) لنموذج CoTCN ليوم واحد حوالي 0.2 درجة مئوية، ويظل معامل الارتباط أعلى من 0.8 لتوقعات العشرة أيام. بمقارنة مؤشرات التنبؤ، يُظهر نموذج CoTCN أداءً مستقرًا في مقاييس التقييم، مثل جذر متوسط مربعات الخطأ (RMSE)، ومتوسط الخطأ المطلق (MAE)، ومعامل الارتباط (ACC)، ومؤشر التشابه الهيكلي (SSIM). والأهم من ذلك، يُحقق النموذج أداءً ممتازًا في المياه المعقدة.تم تقليل خطأ التنبؤ في المناطق النشطة الدوامية مثل تيار كوروشيو وتيار الخليج بمقدار 15-60%بينما في المياه الهادئة نسبيًا مثل المحيط الهادئ والمحيط الأطلسي الاستوائي، فإن أداء النماذج المختلفة متقارب نسبيًا.

قوة الحوسبة المحلية تدعم التدريب الفعال

اعتمد هذا البحث بالكامل على وحدة تحكم محلية للتدريب والتحقق، وأكمل تجارب مقارنة مع نماذج رئيسية متعددة في بيئة اختبار مع 32 وحدة تحكم محلية وبطاقة واحدة بسعة ذاكرة 16 جيجابايت.من حيث كفاءة التدريب، يعمل CoTCN بشكل جيد، حيث يكمل التدريب في 5.93 ساعة فقط على مقياس من 68 مليون معلمة.استغرق نموذج AFNO، الذي يحتوي على 106 مليون معلمة، 8.33 ساعة، بينما استغرق نموذجا ConvGRU وPredRNN، بسبب قيود تسلسل RNN، 11.28 ساعة و25.04 ساعة على التوالي. هذا لا يُثبت فقط الطبيعة المتقدمة لنموذج CoTCN، بل يُظهر أيضًا أن التصميم المعماري أكثر أهمية من مجرد زيادة عدد المعلمات. كما يُظهر الدور المهم لمنصات الحوسبة عالية الأداء المحلية في دعم البحث العلمي المتطور.

نبذة عن الباحث لين بينجفي

لين بنغفي باحث في معهد فيزياء الغلاف الجوي التابع للأكاديمية الصينية للعلوم. يتخصص بشكل رئيسي في تطوير وتطبيق نماذج المحيطات. وقد طوّر نموذج LICOM المحلي للدوران المحيطي العالمي في بلدي ونموذجه المقترن. يتميز نموذج المحيط العالمي بدقة أفقية تصل إلى كيلومتر واحد. واستنادًا إلى LICOM، أنشأ نظامًا عالي الدقة للتنبؤ ببيئة المحيطات، وأجرى أبحاثًا ذكية في التنبؤات الديناميكية المتكاملة باستخدام الذكاء الاصطناعي. وباستخدام نماذج نظام المناخ المحلي، أجرى تجارب محاكاة المجموعات الفائقة الخاصة ببلدي، وأجرى أبحاثًا متعمقة حول التغيرات التي تطرأ على نظام المناخ على مدار العقود. وقد نشر أكثر من 50 بحثًا بصفته المؤلف الأول أو المؤلف المراسل في مجلات علمية مثل Nature Communications وScience Bulletin. كما ترأس مشروع البرنامج الوطني الرئيسي للبحث والتطوير، والمشروع التجريبي للأكاديمية الصينية للعلوم، وشارك في المشروع المتكامل للمؤسسة الوطنية للعلوم الطبيعية، وفي مشاريع رئيسية أخرى. وقد فاز بجائزتي أفضل تطبيق سنوي للحوسبة الفائقة لعامي 2024 و2025 من جمعية الحاسوب الصينية. تم اختياره كواحد من أفضل عشرة تطورات علمية وتكنولوجية في مجال الأرصاد الجوية في الصين في عام 2024 وأفضل عشرة تطورات علمية وتكنولوجية في محيطات وبحيرات الصين.

معلومات الورقة:
1. شبكة محولات سي إن إن المقترنة: تحسين دقة تنبؤات درجة حرارة سطح البحر. مجلة معاملات معهد مهندسي الكهرباء والإلكترونيات في علوم الأرض والاستشعار عن بُعد، المجلد 63، الصفحات 1-14.

https://doi.org/10.1109/TGRS.2025.3574990

٢. شبكة محولات جديدة للتنبؤ قصير المدى بدرجة حرارة سطح البحر العالمية: أهمية الدوامات. الاستشعار عن بُعد، ١٧(٩)، ١٥٠٧. 

https://doi.org/10.3390/rs17091507

٣. التنبؤ قصير المدى لدرجة حرارة سطح البحر في المحيط الهادئ الاستوائي باستخدام شبكة الذاكرة طويلة المدى (LSTM). مجلة علوم الغلاف الجوي، ٤٨(٢)، ٧٤٥-٧٥٤.

https://doi.org/10.3878/j.issn.1006-9895.2302.22128

احصل على أوراق بحثية عالية الجودة ومقالات تفسيرية متعمقة في مجال AI4S من عام 2023 إلى عام 2024 بنقرة واحدة⬇️