Spektrumun kısa ucunda, genellikle “şemsiyeye ihtiyacım var mı?” sorusu için başvurulan anlık tahmin var GraphCast araştırmacılarının da işaret ettiği gibi bu, diğer yöntemlerin yerine geçecek bir yöntem değil, tamamlayıcı bir yöntem
Bu kadar uzun zaman aralıkları ve iklimin bu kadar hızlı değişmesiyle, uzun vadeli tahminler için uygun temel gerçekleri bulmak zor, ancak bu tahminler her geçen gün daha da değerli hale geliyor Ancak yine de sonuçlar etkileyici ve “mağazaya yürürken yağmur yağacak mı?” gibi düşük riskli konularda fazlasıyla iyi Bu tahminlerin her biri bir süper bilgisayar kümesinde birer saat sürüyorsa bu bir sorundur; binlercesine sahip olduğunuz masaüstü boyutundaki bir bilgisayarda her biri bir dakika ise, bu hiç sorun değil – aslında, daha fazla ve daha ince varyasyonları tahmin etmeyi düşünmeye başlayabilirsiniz!
Ve arkasındaki fikir de bu AI2’deki ClimSim projesiAllen Yapay Zeka Enstitüsü
Resim Kredisi: AI2
ClimSim modelleri yukarıda tartışılanlara benzer şekilde çalışır: sayıları fizik tabanlı, elle ayarlanmış bir modele bağlamak yerine, tüm verilere birbirine bağlı bir vektör alanı olarak bakarlar
Google’ın araştırmacıları yakın zamanda yeni, biraz daha uzun vadeli bir model de ortaya koydu MetNet-3 adı verilen, gelecekte 24 saate kadar öngörüde bulunur ”
Resim Kredisi: Google DeepMind
GraphCast, yalnızca zaman olarak değil boyut olarak da uzaklaşarak tüm gezegeni 0,25 derece boylam/enlem veya ekvatorda yaklaşık 28×28 kilometre çözünürlükte kaplar Geleneksel fizik tabanlı modeller olan “Sayısal hava durumu tahmini” hesaplama açısından pahalıdır
Bu model, havanın nasıl gerçekleştiğine dair gerçek bilgiye sahip olmayan bir sistem tarafından hava durumu tahminlerinin ne kadar doğru olabileceğinin bir örneğidir
Bugün 7-10 gün sonrası olan “orta vadeli” ölçekte yeni bir gelişmeyi beraberinde getiriyor Teknoloji, iklim bilimcileri, uygulamalar ve yerel haber istasyonları için giderek daha önemli hale geliyor; ancak yine de hava durumunu sizin veya benim anladığımızdan daha fazla “anlamıyor”
Makine öğrenimi modelleri, hava durumu tahmini alanında, hızlı bir “yağmur ne kadar sürecek” türünden 10 günlük bir görünüme ve yüzyıl düzeyindeki tahminlere kadar kontrolü ele alıyor Bu nedenle AI2’deki ekip, makine öğrenimini kullanarak bu tahminleri hızlandırmak ve iyileştirmek için dünyanın dört bir yanındaki bilim insanlarıyla birlikte çalışıyor ve “tahminleri” yüzyıl ölçeğinde iyileştiriyor
Yazarlar şöyle yazıyor: “Yaklaşımımız, geleneksel hava durumu tahmin yöntemlerinin yerini alacak bir şey olarak görülmemelidir ”
Size mahallenizde mi yoksa yalnızca şehrin genelinde mi yağmur yağacağını söylemez, ancak büyük fırtınalar ve diğer tehlikeli anormallikler gibi daha büyük ölçekli hava olayları için çok faydalıdır önümüzdeki hafta ya da öylesine Ancak bilim adamlarının açık fikirli olmalarına rağmen (doğal olarak) şüpheci bir yaklaşımla hareket ettiklerini itiraf etti
Resim Kredisi: Google DeepMind
Bu önemli bir husus: verimlilik
Konuştuğum proje lideri, oluşturdukları modellerin etkileyici derecede doğru olduğunu ve hesaplamalı olarak gerçekleştirilmesinin çok daha ucuz olduğunu söyledi
Onlarca yıldır meteoroloji ve hava tahmini, büyük ölçüde gözlemlerin dikkatle ayarlanmış fizik tabanlı modellere ve denklemlere yerleştirilmesiyle tanımlandı
Saatlerce incelenecek doppler radarıyla model, kar getiren soğuk bir cephe veya dondurucu yağmur gibi oldukça karmaşık durumlarda bile bundan sonra ne olacağına dair oldukça sağlam bir fikir edinebilir (Çinli araştırmacıların gösterdiği gibi) Google’ın çalışmalarını temel alarak) Bu tarafından servis edilmektedir DeepMind’ın “şimdiyi tahmin etme” modelleriTemel olarak yağış haritalarına bir dizi görüntü gibi bakan ve bu görüntülerdeki şekillerin nasıl gelişeceğini ve değişeceğini tahmin etmeye çalışan bir sistem
genel-24
Örneğin, gelen bir kasırga yolunu geçmeden önce atmosferik bir nehrin yoğunluğunun artacağından veya azalacağından emin olmadığınızı varsayalım Gelecek haftanın nasıl görüneceğine dair sadece 10 farklı seçeneği değil, gelecek yüzyılın nasıl olacağına dair binlerce seçeneği tahmin etmek isteseydiniz ne olurdu?
Bu tür iklim bilimi, her türlü uzun vadeli planlama için önemlidir, ancak değiştirilecek çok sayıda değişken ve onlarca yıl süren tahminler göz önüne alındığında, ihtiyaç duyulan hesaplama gücünün de aynı derecede büyük olduğuna bahse girebilirsiniz Bir sayı arttığında ve güvenilir bir şekilde diğerinin yarısı kadar arttığını, ancak üçte birinin çeyrek oranında azaldığını varsaydığında, bu ilişkiler, bunların neyle ilgili olduğunu bilmese bile makine öğrenimi modelinin belleğine gömülür (örneğin) atmosferik CO2, yüzey sıcaklığı ve okyanus biyokütlesi Bu, Dünya çapında bir milyondan fazla noktada havanın nasıl olacağını tahmin etmek anlamına geliyor ve tabii ki bu noktalardan bazıları diğerlerinden daha belirgin olsa da amaç, önemli hava durumu modellerini doğru bir şekilde tahmin eden küresel bir sistem yaratmaktır Kodun tamamı burada kendiniz bir göz atın isterseniz Tıpkı ChatGPT’nin gerçekte ne hakkında konuştuğunu “bilmediği” gibi, hava durumu modelleri de ne tahmin ettiklerini “bilmiyor” Farklı artış seviyelerine sahip birkaç tahmin, farklı düşüşlere sahip birkaç tahmin ve aynı kalması durumunda bir tahmin yapmak isteyebilirsiniz, böylece bu olasılıklardan biri gerçekleştiğinde tahmininiz hazır olur Rüzgar hızının veya sıcaklığın yarın sabah tehlikeli bölgeye girip girmeyeceğini bilmek, acil durum hizmetlerini planlamak ve diğer kaynakları dağıtmak için çok önemlidir Bunlar binlerce kilometre genişliğindeki sistemlerde meydana gelir; bu, GraphCast’in bunları oldukça ayrıntılı bir şekilde simüle ettiği ve günlerce süren hareketlerini ve niteliklerini tahmin edebildiği anlamına gelir ve hepsi bir dakikadan daha kısa bir süre için tek bir Google hesaplama birimini kullanır Bir bölgeyi boşaltmanız gerekeceğini bir gün önceden bilmek hayat kurtarabilir Bu hâlâ doğru; gözlem olmadan bilim olmaz; ancak geniş veri arşivleri, önemseyebileceğiniz hemen hemen her zaman ölçeğini kapsayan güçlü yapay zeka modellerine olanak tanıdı Yapay zeka modeli fizik hakkında hiçbir şey bilmiyor; tamamen veriye dayalı olduğundan, bundan sonra ne olacağına dair sadece istatistiksel bir tahminde bulunuyor Hiç şüphe yok ki iklim bilimcileri alabilecekleri her aracı isteyeceklerdir
Resim Kredisi: Google DeepMind
Doğru tahminler üretmek için güçlü bir teorik çerçevenin gerekli olduğunu düşünenler için bu durum şaşırtıcı olabilir ve gerçekten de bilim insanları, bir damla yağmurun bir güneş ışınından ayırt edilemeyen bir sistemi körü körüne benimsemekten hala çekiniyorlar ” Daha ziyade “MLWP’nin gerçek dünyadaki tahmin sorunlarının zorluklarını karşılayabildiğinin ve mevcut en iyi yöntemleri tamamlama ve geliştirme potansiyeline sahip olduğunun kanıtı” diye yazıyorlar Ve Google, bundan sonra sonsuza kadar bu alana hakim olmak istiyor Tahmin edebileceğiniz gibi bu, ilçe veya eyaletteki hava durumu istasyonları gibi daha geniş bir alandan veri getiriyor ve tahminleri daha büyük ölçekte gerçekleşiyor Elbette havanın gerçekleşmesinden daha hızlı tahminde bulunabilirler, aksi takdirde değersiz olurlar; ancak bu iş için bir süper bilgisayar kullanmanız gerekir ve o zaman bile küçük değişikliklerle tahminlerde bulunmak biraz zaman alabilir Meteorologlar size, bu iklim olgusu diğeriyle karşılaştığında sis, dolu veya nemli sıcaklıkla karşılaşacağınızı söyleyebilirler çünkü fizik onlara bunu söylüyor
Çok sayıda farklı değişkeni hesaba kattığınızda bu işler çok hızlı bir şekilde karmaşık hale gelebilir ve bazen işlerin nasıl sonuçlanacağına dair gerçek bir fikir edinmek için modeli düzinelerce veya yüzlerce kez çalıştırmanız gerekir Yine fırtına, su baskını ve kontrol edilemeyen yangınlar gibi durumlarda bu çok büyük önem taşıyabilir