إنجاز كبير للذكاء الاصطناعي في مجال التنبؤ بحالة الطقس، كشف الباحثون جوجل من خلال DeepMind النقاب عن GraphCast، وهو نموذج ثوري للتعلم الآلي يمكنه إنشاء تنبؤات جوية عالمية دقيقة للغاية لمدة 10 أيام في أقل من دقيقة واحدة.
في بحث نُشر في مجلة Science، يمثل GraphCast قفزة إلى الأمام في مهارة التنبؤ مقارنة بأساليب التنبؤ العددي بالطقس التقليدية (NWP). يستغرق النموذج التشغيلي القياسي الذهبي الحالي، وهو المركز الأوروبي للتنبؤات عالية الدقة للتنبؤات الجوية متوسطة المدى (HRES)، حوالي ساعة للتشغيل على كمبيوتر فائق السرعة. في الاختبارات الشاملة، تفوقت GraphCast بشكل ملحوظ على HRES في أكثر من 90% من متغيرات ومستويات الطقس التي تم تقييمها.
يعمل النموذج بدقة عالية بشكل ملحوظ تبلغ 0.25 درجة لخط الطول/خط العرض، ويغطي بشكل فعال أكثر من مليون نقطة شبكة عبر سطح الأرض. في كل نقطة من هذه النقاط، يتنبأ GraphCast بمجموعة شاملة من متغيرات الطقس، بما في ذلك درجة الحرارة وسرعة الرياح واتجاهها ومتوسط ضغط مستوى سطح البحر، إلى جانب ستة متغيرات جوية على مستويات ارتفاع مختلفة.
على عكس الطرق التقليدية التي تعتمد على معادلات فيزيائية معقدة وموارد حسابية كبيرة، يستخدم GraphCast تنبؤات تعتمد على البيانات، مما يؤدي ليس فقط إلى تحسين الدقة ولكن أيضًا إلى كفاءة ملحوظة. إن قدرتها على إنتاج توقعات مفصلة لمدة 10 أيام في أقل من دقيقة على جهاز واحد من Google TPU v4 تتناقض بشكل صارخ مع العمليات الحسابية التي تستغرق ساعات والتي تتطلبها الأنظمة التقليدية. هذه الكفاءة، بالإضافة إلى دقتها غير المسبوقة، تجعل من GraphCast أداة رائدة في مجال علوم الأرصاد الجوية.
يعمل GraphCast من خلال التقاط لقطة لظروف الطقس الحالية في جميع أنحاء العالم، بالإضافة إلى الطقس قبل 6 ساعات. ويمثل هذه البيانات كشبكة تغطي الكوكب بأكمله. يستخدم GraphCast بعد ذلك خوارزميات التعلم العميق لتحليل الأنماط في هذه البيانات الشبكية. وهو يبحث في كيفية تأثير الطقس في موقع واحد على المناطق المحيطة، سواء القريبة أو البعيدة. يعالج النموذج هذه الترابطات المعقدة بين جميع أنحاء العالم.
يقوم GraphCast بالتنبؤ بما سيبدو عليه الطقس بعد 6 ساعات في المستقبل، بناءً على الأنماط التي تعلمها. لإنشاء تنبؤات أطول من 6 ساعات، تقوم GraphCast بتغذية تنبؤاتها الخاصة مرة أخرى إلى خوارزمياتها كمدخلات. وهذا يسمح لها بالمضي قدمًا والتنبؤ بحالات الطقس الكاملة على مدار 10 أيام، من خلال التنبؤ بشكل متكرر بكل خطوة مدتها 6 ساعات في المستقبل.
بالإضافة إلى الدقة الأولية، أظهرت GraphCast أيضًا مهارة في التنبؤ بالظواهر الجوية القاسية مثل الأعاصير المدارية والأنهار الجوية ودرجات الحرارة القصوى. ويمكن أن يوفر هذا تحذيرات مبكرة لمساعدة المجتمعات على الاستعداد للعواصف الخطيرة أو موجات الحر.
يضع GraphCast معيارًا جديدًا للتعلم الآلي في مجال علمي معقد مثل التنبؤ بالطقس. في حين أن أساليب التنبؤ العددي بالطقس (NWP) التقليدية تتطلب تصميمًا متخصصًا واسع النطاق للخوارزميات الرقمية، يُظهر GraphCast أن نماذج الذكاء الاصطناعي المدربة بشكل شامل على البيانات يمكن أن تصمم بشكل فعال ديناميكيات الطقس الفوضوية للأرض.
يؤكد الباحثون على أن GraphCast يجب أن يكمل الأساليب التقليدية، وليس أن يحل محلها. إن الجمع بين تقنيات الذكاء الاصطناعي وعقود من رؤى الأرصاد الجوية المضمنة في التنبؤ العددي بالطقس (NWP) يمكن أن يدفع التنبؤ إلى مستويات جديدة. يفتقر GraphCast أيضًا حاليًا إلى تقديرات عدم اليقين القوية التي توفرها مجموعة NWP.
يتم استخدام GraphCast بالفعل من قبل وكالات الأرصاد الجوية. ولرؤيتها على أرض الواقع، انتقل إلى موقع المركز الأوروبي للتنبؤات الجوية متوسطة المدى الذي يجري تجربة حية مع النموذج.
من خلال المصدر المفتوح GraphCast، يأمل Google DeepMind في تمكين الباحثين في جميع أنحاء العالم من الاستفادة من إمكانات الذكاء الاصطناعي لتسريع علوم الطقس. ويَعِد التنبؤ الأكثر دقة وكفاءة بقيمة اجتماعية هائلة، بدءا من تشغيل الطاقة المتجددة إلى حماية الأرواح أثناء الكوارث. يمثل فتح هذا باستخدام الذكاء الاصطناعي فصلاً جديدًا ومثيرًا في تسخير التكنولوجيا لخدمة البشرية.
نقلا عن :- Science
