مدل هوش مصنوعی هواشناسی گوگل رونمایی شد؛ تحول در پیش‌بینی جوی

گوگل دیپ‌مایند از مدل پیشرفته WeatherNext 3 به عنوان جدیدترین مدل هوش مصنوعی هواشناسی گوگل رونمایی کرد؛ سیستم هوش مصنوعی نوآورانه‌ای که با پیش‌بینی ساعتی و تفکیک‌پذیری ۵ کیلومتری، استانداردهای هواشناسی جهانی را بازتعریف می‌کند.

دانشمندان در «گوگل دیپ‌مایند» (Google DeepMind) و بخش پژوهش گوگل (Google Research) امروز از مدل جدید هوش مصنوعی خود برای پیش‌بینی وضعیت آب‌وهوا پرده برداشتند؛ سیستمی که تغییرات جوی را با وضوحی به‌مراتب بالاتر رصد می‌کند و رفتارهای اتمسفر را در بازه‌های زمانی کوتاه‌تر و پیوسته‌تری پیش‌بینی می‌نماید.

مدل ودرنکست ۳ (WeatherNext 3) تازه‌ترین دستاورد از تحول بنیادینی است که تکنیک‌های یادگیری عمیق (Deep Learning) در دانش هواشناسی رقم زده‌اند. گوگل اعلام کرده است که داده‌های حاصل از این مدل به‌زودی در بخش پیش‌بینی هوا در موتور جستجوی گوگل، گوگل مپس (Google Maps) و دستیار جمینای (Gemini) ادغام خواهد شد و علاوه بر آن، در دسترس کاربران و پژوهشگران پلتفرم‌های ابری گوگل نیز قرار خواهد گرفت.

سمیر مرچنت (Samier Merchant)، از مهندسان ارشد گوگل، در گفت‌وگو با تک‌کرانچ (TechCrunch) دراین‌باره گفت: «این نخستین باری است که برخی از شاخص‌ها و متغیرهای کلیدی این سیستم، به‌طور مستقیم داده‌های موردنیاز طیف گسترده‌ای از محصولات گوگل را تأمین کرده و آن‌ها را فعال می‌سازند.»

دقت و کارایی این مدل جدید پیش از این در ارزیابی‌های Operational WeatherBench به اثبات رسیده و موفق شده است در میان برترین رقبای این حوزه، بالاترین امتیاز دقت را ثبت کند. این سامانه بنچ‌مارک که استارتاپ برایت‌بند (Brightband) آن را برای مقایسه مدل‌های هوش مصنوعی هواشناسی توسعه داده است، متغیرهایی همچون دما، سرعت باد و رطوبت را می‌سنجد.

مدل جدید گوگل نه‌تنها از سایر مدل‌های یادگیری عمیق توسعه‌یافته توسط گوگل، مایکروسافت، انویدیا و «مرکز اروپایی پیش‌بینی‌های میان‌مدت وضعیت جوی» (ECMWF) سبقت گرفته، بلکه از سیستم‌های پیش‌بینی سنتی متعلق به «سرویس ملی هواشناسی ایالات متحده» (NWS) و ECMWF نیز عملکرد بهتری به نمایش گذاشته است.

مقایسه دقت و سرعت شبیهسازی تغییرات آبوهوایی با مدلهای نوین یادگیری ماشین

اعتبار تصویر: برایت‌بند (Brightband)

مقایسه مدل هوش مصنوعی هواشناسی گوگل با سامانه‌های سنتی و ابررایانه‌ها

امروزه بخش اعظم پیش‌بینی‌های جوی را ابررایانه‌های دولتی انجام می‌دهند؛ سیستم‌هایی که از طریق محاسبات سنگین و پردازش‌های فشرده، معادلات پیچیده ریاضی حاکم بر فیزیک جو و هواشناسی را حل می‌کنند. اگرچه دقت این سامانه‌ها به سطحی چشمگیر رسیده، اما نگهداری و اجرای آن‌ها بسیار هزینه‌بر و در مقایسه با روش‌های مدرن، نسبتا کند است. پس از آنکه ECMWF در سال ۲۰۱۸ بیش از نیم قرن داده‌های جوی ثبت‌شده توسط این سامانه‌ها را در دسترس عموم گذاشت، محققان یادگیری عمیق فرآیند آموزش مدل‌هایی را آغاز کردند که می‌توانند پیش‌بینی‌ها را با سرعتی به‌مراتب بالاتر و با دقتی همتراز با ابزارهای دولتی ارائه دهند.

فران الت (Ferran Alet)، مدیر علمی و از محققان ارشد دیپ‌مایند، توضیح داد: «رفتار اتمسفر و آب‌وهوا ماهیتی آشوبناک دارد؛ بنابراین کوچک‌ترین نوسان یا اختلافی می‌تواند به تغییرات گسترده و شدیدی بدل شود… یادگیری ماشین دقیقا پاسخی دقیق به همان چالشی است که به دنبال حل آن هستیم: تخمین پدیده‌های فیزیکی پر از نویز و اغتشاش بر پایه اطلاعات ناکامل و توان محاسباتی محدود. از همین رو، مدل یاد می‌گیرد چگونه الگوها را از میان حجم عظیمی از داده‌ها استخراج کند.»

از آن زمان تاکنون، توسعه‌دهندگان این فناوری تمرکز خود را بر حل ضعف‌های بنیادین مدل‌های پیش‌بینی هوش مصنوعی گذاشته‌اند؛ مدل‌هایی که معمولا وضعیت جوی را در گستره‌هایی وسیع‌تر از مقیاس کاربردی واقعی (۱۵ تا ۲۵ کیلومتر مربع) برآورد می‌کنند، در پیش‌بینی پدیده بارش چندان دقیق عمل نمی‌کنند و هنوز هم به پایگاه‌های داده ساختاریافته‌ای که توسط نهادهای دولتی تدوین می‌شوند وابسته هستند.

مدل ودرنکست ۳ (WeatherNext 3) برای مقابله با هر سه چالش پا به میدان گذاشته است. پژوهشگران در گفت‌وگو با تک‌کرانچ اعلام کردند که این مدل می‌تواند متغیرهای کلیدی را تا تفکیک‌پذیری ۵ کیلومتر پیش‌بینی کند. ارزیابی‌های آن در زمینه بارندگی نسبت به نسخه ودرنکست ۲ تا ۶۰ درصد بهبود یافته و اکنون قادر است به‌جای پیش‌بینی‌های رایج شش‌ساعته، پیش‌بینی‌های ساعتی ارائه دهد.

بهبود ۶۰ درصدی دقت پیشبینی ساعتی بارندگی در مدل جدید هوش مصنوعی گوگل

اعتبار تصویر: گوگل

جهش فنی در ودرنکست ۳ و بهینه‌سازی سازوکارهای رمزگشایی

این ارتقاها نتیجه تصمیم‌گیری‌های هدفمند طراحان مدل است. ودرنکست ۳ مدل بزرگ‌تری به شمار می‌رود و تعداد پارامترهای آن ۲.۴ برابر نسل قبلی خود است؛ امری که با بهینه‌سازی اهداف برای سازوکارهای رمزگشایی شبکه (decoder heads)، خروجی‌های کاربردی‌تری فراهم می‌کند. در حالی که بیشتر پیش‌بینی‌های هواشناسی به‌صورت میانگین معیارهای آماری در یک شبکه سه‌بعدی (3D grid) خروجی می‌دهند، محققان دیپ‌مایند پیشتر نیز با تنظیم مدل خود برای ترسیم مسیر چرخندها (سیکلون‌ها) مورد تحسین قرار گرفته بودند.

این بار طراحان، مدل را طوری آموزش داده‌اند که پیش‌بینی‌های خود را به‌صورت ویژه برای ایستگاه‌های داده‌سنجی هواشناسی متمرکز کند. این رویکرد نه‌تنها از جهت ارائه پیش‌بینی‌های دقیق‌تر و جزئی‌تر حائز اهمیت است، بلکه امکان اعتبارسنجی عملکرد مدل در برابر داده‌های عینی و میدانی (ground-truth) را نیز فراهم می‌کند.

دنیل روتنبرگ، دانشمند علوم جوی در شرکت برایت‌بند (Brightband)، در این باره می‌گوید: «ایده بنیادین در بسیاری از کاربردهای هوش مصنوعی این است که فرایندها تا جای ممکن به‌صورت سرتاسری (end-to-end) اجرا شوند. افزودن این قابلیت که مدل اکنون می‌تواند برای نمونه مقادیر اندازه‌گیری‌شده ایستگاه هواشناسی فرودگاه دنور را به‌صورت ساعتی پیش‌بینی کند، فرایند پیش‌بینی را با داده‌های پایه و بنیادین به‌طور مستقیم‌تری پیوند می‌دهد.»

علت توانایی این مدل در ارائه پیش‌بینی‌های کوتاه‌مدت‌تر و مکرر، قابلیت آن در جذب ساعتی داده‌های ماهواره‌های هواشناسی است که به‌صورت بلادرنگ (real-time) گردآوری می‌شوند. تغذیه مدل‌های هوش مصنوعی با مشاهدات تجربی خام به‌جای استفاده از تحلیل‌های پردازش‌شده توسط ابررایانه‌های هواشناسی، نویدبخش پیش‌بینی‌های دقیق‌تری است؛ با این حال، وادار کردن مدل‌ها به کار با داده‌های قالب‌بندی‌نشده همچنان یک چالش فنی به شمار می‌رود.

گوگل ادعا می‌کند که ودرنکست ۳ «نخستین» مدل هوش مصنوعی است که مشاهدات خام را به‌طور مستقیم برای ارائه پیش‌بینی جهانی با وضوح بالا به کار می‌گیرد؛ اما استارتاپ هوش مصنوعی هواشناسی ویندبورن (WindBorne) می‌گوید مدل آن‌ها، یعنی ودرمش ۶ (WeatherMesh 6)، از اواخر سال ۲۰۲۵ مشاهدات خام ناوگان بالون‌های هواشناسی و سایر منابع خود را مستقیما ادغام کرده است. گوگل در پاسخ به این ادعا اشاره کرد که پیش‌بینی‌های ودرنکست ۳ در سرتاسر جهان از تفکیک‌پذیری بالاتری برخوردار است. با این همه، هر دو مدل همچنان برای پیش‌بینی‌های خود به پایگاه‌های داده ملی هواشناسی وابسته هستند و تا رسیدن به مرحله همگون‌سازی داده‌ها (data assimilation) به‌صورت کاملا مستقیم، به تحقیقات بیشتری نیاز خواهد بود.

افق‌های اقتصادی و کاربردی پیش‌بینی هوشمند هوا

در حالی که مدل‌های زبانی بزرگ (LLMs) بخش عمده توجه عمومی را به خود اختصاص داده‌اند، تحول ناشی از معماری ترنسفورمر در هواشناسی نیز دست‌کمی از آن نداشته و به همان اندازه حائز اهمیت بوده است. سازمان‌های هواشناسی در اروپا و ایالات متحده در حال حاضر به‌کارگیری مدل‌های هوش مصنوعی را در محصولات پیش‌بینی وضعیت هوای خود آغاز کرده‌اند؛ مدل‌هایی که سرعت بالا و هزینه ناچیزشان نویدبخش اثرات مثبت اقتصادی در مناطق کم‌برخوردار است؛ مناطقی که هزینه‌های سنگین حسگرهای پیشرفته و ابررایانه‌ها همواره دسترسی به پیش‌بینی‌های دقیق جوی را برای آن‌ها دشوار کرده بود.

بیل گیتس اخیرا پیش‌بینی وضع هوا مبتنی بر هوش مصنوعی را یکی از دستاوردهای حیاتی این فناوری برشمرد و تأکید کرد که پیش‌بینی‌های دقیق‌تر می‌تواند به بهبود بازده محصولات کشاورزی در کشورهای در حال توسعه کمک کند. الت، پژوهشگر دیپ‌مایند، نیز خاطرنشان کرد که پیش‌بینی‌هایی با تفکیک‌پذیری و وضوح بالاتر (Higher-resolution) از وزش باد، بارش باران و پوشش ابرها، نقشی مؤثر در افزایش قابلیت اطمینان و پایداری پروژه‌های انرژی‌های تجدیدپذیر ایفا خواهد کرد.

الت در پایان اظهار داشت: «در نهایت، باور دارم که هدف غایی گوگل ارائه اطلاعات کارآمد و سودمند به کاربران است و بخش قابل‌توجهی از آنچه کاربران در پی آن هستند، به شکلی با وضعیت آب‌وهوا پیوند خورده است.»