gencast: مدل هوش مصنوعی پیش بینی آب و هوای گوگل
GenCast، مدل هوش مصنوعی جدید شرکت Google DeepMind، به قدری دقیق است که می‌تواند با روش‌های سنتی پیش‌بینی آب‌وهوا رقابت کند. طبق تحقیقات جدید منتشرشده، این مدل توانست در آزمایش‌هایی که با داده‌های سال ۲۰۱۹ انجام شد، عملکرد بهتری نسبت به یکی از مدل‌های پیشرو پیش‌بینی هوا داشته باشد.
البته هوش مصنوعی به این زودی‌ها جای روش‌های سنتی پیش‌بینی آب‌وهوا را نخواهد گرفت، اما می‌تواند به مجموعه ابزارهای پیش‌بینی هوا اضافه شود و در ارائه هشدارهای مرتبط با طوفان‌های شدید به مردم مؤثر باشد. GenCast یکی از چندین مدل هوش مصنوعی در حال توسعه در زمینه پیش‌بینی آب‌وهواست که احتمالاً منجر به پیش‌بینی‌های دقیق‌تر خواهد شد.
ایلان پرایس، یکی از محققان ارشد در DeepMind، در این باره می‌گوید: «آب‌وهوا تقریباً همه جنبه‌های زندگی ما را تحت تأثیر قرار می‌دهد … و همچنین یکی از چالش‌های بزرگ علمی به شمار می‌رود. پیش‌بینی آب‌وهوا همیشه یک موضوع مهم بوده است. مأموریت Google DeepMind این است که هوش مصنوعی را برای خدمت به بشریت به کار گیرد و من فکر می‌کنم این پروژه یکی از مشارکت‌های ارزشمند در این مسیر است.»
پرایس و همکارانش مدل GenCast را با سیستم ENS مقایسه کردند. ENS یکی از برترین مدل‌های پیش‌بینی آب‌وهوا در جهان است که توسط مرکز اروپایی پیش‌بینی‌های میان‌مدت جوی (ECMWF) اجرا می‌شود. طبق نتایج تحقیق منتشرشده در مجله نیچر، GenCast در ۹۷.۲ درصد موارد عملکرد بهتری نسبت به ENS داشته است.
GenCast: مدل یادگیری ماشین برای پیش‌بینی آب‌وهوا
GenCast یک مدل پیش‌بینی آب‌وهوا مبتنی بر یادگیری ماشین است که با داده‌های هواشناسی از سال ۱۹۷۹ تا ۲۰۱۸ آموزش دیده است. این مدل با شناسایی الگوهای موجود در چهار دهه داده‌های تاریخی، پیش‌بینی‌هایی درباره آینده ارائه می‌دهد. این رویکرد کاملاً متفاوت از روش مدل‌های سنتی مانند ENS است که برای شبیه‌سازی فیزیک جو به ابررایانه‌ها و حل معادلات پیچیده متکی هستند. هر دو مدل GenCast و ENS پیش‌بینی‌هایی تحت عنوان پیش‌بینی‌های مجموعه‌ای ارائه می‌دهند که طیفی از سناریوهای ممکن را شامل می‌شود.
برای مثال، در پیش‌بینی مسیر یک گردباد گرمسیری، GenCast به طور میانگین توانسته ۱۲ ساعت هشدار را زودتر ارائه دهد. این مدل به‌طور کلی در پیش‌بینی مسیر گردبادها، آب‌وهوای شدید و تولید انرژی بادی تا ۱۵ روز آینده عملکرد بهتری داشته است.
یک نکته قابل توجه این است که GenCast عملکرد خود را با نسخه قدیمی‌تری از مدل ENS مقایسه کرده است. مدل ENS از سال ۲۰۱۹ تاکنون به وضوح پیشرفت کرده و با رزولوشن بالاتری عمل می‌کند. تحقیقاتی که در مجلات معتبر منتشر شده، پیش‌بینی‌های GenCast و ENS را برای داده‌های سال ۲۰۱۹ مقایسه کرده و میزان نزدیک بودن هر مدل به شرایط واقعی آن سال را بررسی کرده است. مت چنتری، هماهنگ‌کننده یادگیری ماشین در ECMWF، اشاره کرده که ENS از سال ۲۰۱۹ به طرز قابل‌توجهی بهبود یافته و این موضوع ارزیابی دقیق رقابت GenCast با ENS در شرایط فعلی را دشوار می‌کند.
البته، رزولوشن تنها عامل مهم در ارائه پیش‌بینی‌های دقیق نیست. در سال ۲۰۱۹، ENS با رزولوشنی اندکی بالاتر از GenCast کار می‌کرد و با این حال GenCast توانست عملکرد بهتری داشته باشد. طبق گفته DeepMind، مطالعات مشابهی بر داده‌های سال‌های ۲۰۲۰ تا ۲۰۲۲ انجام شده و نتایج مشابهی به دست آمده است، اگرچه این مطالعات هنوز در مجلات معتبر بررسی نشده‌اند. با این حال، داده‌های لازم برای مقایسه در سال ۲۰۲۳، زمانی که ENS با رزولوشن بسیار بالاتری شروع به کار کرد، در دسترس نیستند.
مقایسه رزولوشن‌ها
مدل GenCast با رزولوشن ۰.۲۵ درجه عمل می‌کند، به این معنا که هر مربع در شبکه پیش‌بینی این مدل برابر با یک‌چهارم درجه عرض جغرافیایی در یک‌چهارم درجه طول جغرافیایی است. در مقابل، ENS در سال ۲۰۱۹ با رزولوشن ۰.۲ درجه کار می‌کرد و اکنون به رزولوشن ۰.۱ درجه رسیده است.
با این وجود، توسعه GenCast به گفته‌ی چنتری در بیانیه‌ای که از طریق ایمیل ارسال کرده است، «نقطه عطفی مهم در تکامل پیش‌بینی آب‌وهوا» به شمار می‌رود. علاوه بر ENS، مرکز ECMWF نیز نسخه‌ای از یک سیستم یادگیری ماشین را اجرا می‌کند که به گفته چنتری تا حدی از GenCast الهام گرفته است.
یکی از مزایای کلیدی GenCast سرعت آن است. این مدل می‌تواند یک پیش‌بینی ۱۵ روزه را تنها در هشت دقیقه با استفاده از یک واحد پردازش TensorFlow v5 گوگل کلود تولید کند، در حالی که مدل‌های مبتنی بر فیزیک مانند ENS برای انجام همین کار ممکن است چندین ساعت زمان نیاز داشته باشند. GenCast با کنار گذاشتن معادلات پیچیده‌ای که ENS باید حل کند، پیش‌بینی‌ها را سریع‌تر و با استفاده از توان محاسباتی کمتری تولید می‌کند.
ایلان پرایس در این باره می‌گوید: «از نظر محاسباتی، اجرای پیش‌بینی‌های سنتی به مراتب پرهزینه‌تر از یک مدل مانند GenCast است.»
این کارایی ممکن است بخشی از نگرانی‌ها درباره تأثیر زیست‌محیطی مراکز داده پرمصرف AI را کاهش دهد، به ویژه که این مراکز در سال‌های اخیر به افزایش انتشار گازهای گلخانه‌ای گوگل کمک کرده‌اند. با این حال، مقایسه پایداری GenCast با مدل‌های مبتنی بر فیزیک دشوار است، زیرا میزان انرژی مورد نیاز برای آموزش این مدل یادگیری ماشین مشخص نیست.
این مدل می‌تواند با افزایش رزولوشن خود بهبود یابد. همچنین، GenCast پیش‌بینی‌های خود را در بازه‌های زمانی ۱۲ ساعته ارائه می‌دهد، در حالی که مدل‌های سنتی معمولاً در بازه‌های زمانی کوتاه‌تر پیش‌بینی می‌کنند. این تفاوت می‌تواند بر کاربردهای عملی پیش‌بینی‌ها تأثیر بگذارد، برای مثال، در تعیین میزان انرژی بادی قابل دسترس.
کاربرد عملی GenCast و چالش‌های پیش رو
استیون مولنز، استاد هواشناسی در دانشگاه فلوریدا که در تحقیق GenCast نقشی نداشته، اشاره می‌کند که: «در این موارد شما می‌خواهید بدانید که باد در طول روز چگونه خواهد بود، نه فقط در ساعت ۶ صبح و ۶ عصر.»
این موضوع نشان‌دهنده یکی از محدودیت‌های فعلی GenCast در بازه‌های زمانی پیش‌بینی آن است.
با وجود افزایش علاقه به استفاده از هوش مصنوعی برای بهبود پیش‌بینی‌های آب‌وهوا، این فناوری هنوز باید خود را اثبات کند. مولنز در این باره می‌گوید: «محققان به این موضوع توجه دارند، اما فکر نمی‌کنم جامعه هواشناسی به طور کلی هنوز کاملاً آن را پذیرفته باشد. ما دانشمندانی هستیم که با مفاهیم فیزیک کار می‌کنیم … و چون هوش مصنوعی اساساً بر پایه این اصول نیست، همچنان در حال بررسی این هستیم که آیا این فناوری واقعاً مفید است و چرا [می تواند مفید باشد].»
با این حال، DeepMind کد مدل GenCast را به صورت متن‌باز منتشر کرده تا پیش‌بینی‌کنندگان و کارشناسان بتوانند خودشان آن را بررسی کنند. ایلان پرایس معتقد است که مدل GenCast و نسخه‌های پیشرفته‌تر هوش مصنوعی می‌توانند در کنار مدل‌های سنتی در دنیای واقعی به کار گرفته شوند. او می‌گوید: «وقتی این مدل‌ها در دست متخصصان قرار بگیرند، اعتماد و اطمینان بیشتری ایجاد می‌شود. هدف ما این است که این فناوری تأثیری اجتماعی گسترده داشته باشد.»
انتشار متن‌باز GenCast نه تنها امکان ارزیابی دقیق‌تر این فناوری را برای جامعه علمی فراهم می‌کند، بلکه می‌تواند پلی میان علم سنتی و نوآوری‌های هوش مصنوعی ایجاد کند تا آینده‌ای بهتر برای پیش‌بینی‌های آب‌وهوایی رقم بزند.
