انقلاب هوش مصنوعی در مدل‌سازی آب‌وهوا و اقلیم: محدودیت‌ها و پیشرفت‌ها

در دنیای امروز، هوش مصنوعی (AI) به سرعت در حال نفوذ به جنبه‌های مختلف زندگی ماست، از دستیارهای دیجیتال گرفته تا لوازم خانگی هوشمند. اما کاربرد آن در مدل‌سازی آب‌وهوا و اقلیم چقدر پیشرفت کرده است؟ این پرسش مهمی است که دانشمندان به آن می‌پردازند.

هوش مصنوعی در مدل‌سازی آب‌وهوا: ML نه LLM

«هوش مصنوعی» در این مدل‌ها به یادگیری ماشینی (ML) اشاره دارد که هدف آن شناسایی الگوها در داده‌ها با استفاده از کامپیوتر است. این روش، برخلاف مدل‌های زبانی بزرگ (LLM)، بر تحلیل و کشف روابط پیچیده در حجم وسیع داده‌ها متمرکز است.

یادگیری ماشینی با آموزش یک مدل از پایه آغاز می‌شود. به مدل ساختاری مانند شبکه عصبی داده می‌شود و با مجموعه‌ای عظیم از داده‌های نمونه، بهترین تنظیمات برای اتصال محتوای ورودی به خروجی صحیح را پیدا می‌کند. این فرآیند به الگوریتم‌ها اجازه می‌دهد تا الگوهایی را شناسایی کنند که به صورت دستی دشوار است.

محدودیت‌ها و مزایای یادگیری ماشینی

• محدودیت‌ها: الگوریتم‌ها نمی‌توانند آنچه را که در داده‌های آموزشی ندیده‌اند شناسایی کنند. کیفیت داده‌های آموزشی بسیار مهم است؛ داده‌های نامناسب می‌توانند منجر به نتایج نادرست شوند.
• مزایا: الگوریتم‌های یادگیری ماشینی اغلب از نظر کارایی محاسباتی و دقت، بهتر از الگوریتم‌های سنتی عمل می‌کنند.

کاربرد در پیش‌بینی آب‌وهوا

در مدل‌های پیش‌بینی آب‌وهوا، یادگیری ماشینی با استفاده از دو مجموعه داده آب‌وهوایی که در فواصل زمانی کوتاه جمع‌آوری شده‌اند، آموزش می‌بیند. این مدل‌ها به دلیل عدم نیاز به حل معادلات فیزیکی پیچیده در هر مکان، بسیار سریع‌تر از مدل‌های سنتی عمل می‌کنند.

شرکت‌های بزرگی مانند گوگل، انویدیا، هوآوی و مایکروسافت مدل‌های اولیه را توسعه داده‌اند که می‌توانند با مدل‌های فعلی رقابت کنند. مرکز اروپایی پیش‌بینی آب‌وهوای میان‌مدت (ECMWF) اولین مدل مبتنی بر یادگیری ماشینی خود را در فوریه ۲۰۲۵ به کار گرفت.

مدل AIFS و کارایی آن

مدل AIFS با استفاده از داده‌های بازتحلیل (reanalysis) آموزش دیده است. این داده‌ها با ترکیب مشاهدات آب‌وهوایی موجود، تصویری فیزیکی و سازگار از وضعیت آب‌وهوا را ارائه می‌دهند. هر اسنپ‌شات (snapshot) شامل اطلاعاتی در مورد دما، فشار هوا، باد، بخار آب، پوشش ابر، بارش، تابش خورشیدی و رطوبت خاک است.

مدل‌های یادگیری ماشینی در کارایی محاسباتی بسیار برتر هستند. ECMWF گزارش داده است که یک اجرای مدل IFS حدود ۱۰۰۰ برابر بیشتر از مدل AIFS انرژی مصرف می‌کند و به جای ۳۰ دقیقه، تنها ۳ دقیقه زمان می‌برد. این صرفه‌جویی در انرژی و زمان برای نسخه‌های گروهی این مدل‌ها که ۵۰ شبیه‌سازی را برای پوشش بهتر نتایج ممکن اجرا می‌کنند، بسیار قابل توجه است.

چالش‌ها در پیش‌بینی رویدادهای شدید

در حالی که پیش‌بینی شرایط آب‌وهوایی عادی ارزشمند است، پیش‌بینی دقیق رویدادهای شدید آب‌وهوایی اهمیت حیاتی دارد. اما مدل‌های مبتنی بر هوش مصنوعی ممکن است در پیش‌بینی رویدادهای شدید که در مجموعه داده‌های آموزشی آنها وجود نداشته، با مشکل مواجه شوند.

یک مطالعه اخیر نشان داد که مدل‌های یادگیری ماشینی معمولاً فرکانس و شدت رویدادهای رکوردشکن را دست کم می‌گیرند. این مدل‌ها تمایل دارند رویدادهای شدید را تعدیل کرده و آنها را در محدوده شرایط عادی نگه دارند، که این رفتار برای پیش‌بینی‌های آب‌وهوای شدید مشکل‌ساز است.

کاربرد در مدل‌سازی اقلیم

مدل‌های اقلیمی با مدل‌های پیش‌بینی آب‌وهوا متفاوت هستند. علم اقلیم به دنبال پاسخ به سوالات کلی «چه می‌شود اگر» در مورد اثرات تغییرات انرژی در جو یا عوامل کنترل‌کننده وضعیت فعلی جو است. این مدل‌ها به شرایط مرزی (boundary conditions) مربوط می‌شوند که الگوهای آب‌وهوایی بلندمدت را شکل می‌دهند.

قوانین فیزیک برای این نوع علم ضروری هستند، بنابراین کنار گذاشتن محاسبات مبتنی بر فیزیک غیرممکن است. با این حال، محققان در حال یافتن راه‌هایی برای استفاده از یادگیری ماشینی هستند.

مدل ترکیبی CliMA

تاپیو اشنایدر از کالتک، بخشی از پروژه Climate Modeling Alliance (CliMA) است که یک مدل اقلیمی جدید را از پایه با استفاده از زبان برنامه‌نویسی جولیا و معماری‌های ابری برای بهره‌برداری از GPUها می‌سازد. نتیجه یک مدل اقلیمی ترکیبی خواهد بود که عمدتاً مبتنی بر فیزیک است، اما دارای اجزای یادگیری ماشینی نیز هست.

هدف CliMA این است که یادگیری ماشینی را در جایی که مزایای آشکاری برای کارایی محاسباتی و کیفیت علمی ارائه می‌دهد، به کار گیرد و در عین حال روش‌هایی را که در سایر زمینه‌ها بهتر عمل می‌کنند، حفظ کند.

بهینه‌سازی و شبیه‌سازی مدل‌ها

یادگیری ماشینی می‌تواند در بهینه‌سازی پارامترهای مدل‌های اقلیمی مبتنی بر فیزیک نیز مفید باشد. یک مطالعه اخیر از گروه مدل‌سازی اقلیم موسسه گودارد ناسا برای مطالعات فضایی (GISS) از یادگیری ماشینی برای یافتن بهترین ترکیب مقادیر برای اصطلاحات کلیدی در کل مدل جوی خود استفاده کرد.

همچنین، یادگیری ماشینی می‌تواند برای آموزش یک مدل به منظور تقلید از مدل‌های دیگر به کار رود. این «شبیه‌سازها» می‌توانند بر روی پیش‌بینی‌های یک مدل اقلیمی بزرگ برای سناریوهای استاندارد انتشار گازهای گلخانه‌ای آینده آموزش داده شوند و سپس برای بررسی هر سناریوی جدید انتشار بدون نیاز به منابع محاسباتی سنگین مورد استفاده قرار گیرند.

جعبه سیاه و شفافیت

یکی از معاوضه‌های اساسی در استفاده از مدل‌های یادگیری ماشینی این است که آنها ذاتاً «جعبه سیاه» هستند. در حالی که فرمول‌های ریاضی مبتنی بر فیزیک قابل تفسیر هستند، مکانیزم‌های داخلی یک شبکه عصبی با صدها پارامتر ناشناخته، اغلب غیرقابل درک هستند.

دانشمندان اقلیم با دقت در مورد مکان و نحوه استفاده از یادگیری ماشینی تصمیم می‌گیرند. تکنیک‌هایی مانند «هوش مصنوعی قابل توضیح» (explainable AI) می‌توانند به شفاف‌تر شدن این جعبه سیاه کمک کنند. این روش‌ها داده‌هایی را شناسایی می‌کنند که بیشترین تأثیر را بر یک پیش‌بینی خاص داشته‌اند.

به عنوان مثال، یک مدل آب‌وهوایی یادگیری ماشینی می‌توانست بارش را از تصاویر ماهواره‌ای پیش‌بینی کند، اما مشخص شد که تنها از اطلاعات مکان‌هایی که رعد و برق شناسایی شده بود، استفاده می‌کرد. با حذف داده‌های رعد و برق، مناطق داده‌های فروسرخ و بخار آب که بر پیش‌بینی تأثیر می‌گذاشتند، گسترده‌تر شدند و مرزهای ابر و قله‌های ابر سرد را برجسته کردند. این الگوها نشان دادند که مدل چگونه کار می‌کند و آیا از نظر فیزیکی منطقی است یا خیر.

در نهایت، یادگیری ماشینی به عنوان یک ابزار قدرتمند در مدل‌سازی آب‌وهوا و اقلیم شناخته می‌شود که می‌تواند کارایی محاسباتی را بهبود بخشد و به درک عمیق‌تر سیستم‌های پیچیده کمک کند، اما استفاده از آن نیازمند دقت و ترکیب با دانش فیزیکی است.