• طور فريق من الباحثين من Google والمركز الأوروبي للتنبؤات الجوية متوسطة المدى (ECMWF) نموذجًا مناخيًا جديدًا يسمى NeuralGCM يستخدم الذكاء الاصطناعي لتحسين سرعة ودقة التنبؤات الجوية.
  • باستخدام الشبكات العصبية لتعزيز المحاكاة الفيزيائية التقليدية، حقق NeuralGCM تقدمًا كبيرًا في نمذجة والتنبؤ بالعمليات المناخية.

رأينا
يقدم باحثون من Google وECMWF نموذجًا مناخيًا مبتكرًا يسمى NeuralGCM.يستخدم NeuralGCM الشبكات العصبية لتعزيز الحوسبة عالية الأداء (HPC) التقليدية، مع التركيز على العمليات المناخية صغيرة النطاق مثل السحب وتغيرات الدقة، التي يصعب محاكاتها بدقة بواسطة النماذج التقليدية. باستخدام البيانات الجوية التاريخية التي جمعها ECMWF للتدريب، حقق NeuralGCM نتائج مهمة في تحسين سرعة ودقة التنبؤات، خاصة في المحاكاة عالية الدقة، متجاوزًا النماذج المناخية الحالية وجالبًا آمالًا وإمكانيات جديدة لمجال علوم المناخ والتنبؤات الجوية.
-Rae Li، صحفي BTW

ما حدث

NeuralGCMيركز على العمليات المناخية صغيرة النطاق التي يصعب التقاطها بدقة بواسطة النماذج التقليدية، مثل السحب وتغيرات الدقة، ويظهر إمكانية تحسين سرعة ودقة التنبؤات من خلال التدريب على البيانات الجوية التاريخية التي جمعتهاECMWF. تم تطويره باستخدام إطار التعلم الآلي JAX من Google، مما يسمح للنموذج بالعمل أصليًا على مسرعات مثل TPU أو GPU، مما يؤدي إلى تحسينات كبيرة في السرعة والكفاءة.

تؤكد Google أن الإصدار بدقة 1.4 درجة من نموذج NeuralGCM أسرع بأكثر من 3500 مرة من نموذج X-SHiELD. تم نشر الكود المصدري وأوزان نموذج NeuralGCM بموجب ترخيص غير تجاري على GitHub للاستخدام العام. يأمل الباحثون في نهاية المطاف دمج جوانب أخرى من نظام المناخ الأرضي، مثل المحيطات ودورة الكربون، في النموذج، مما يسمح لـ NeuralGCM بتقديم تنبؤات على نطاقات زمنية أطول، تتجاوز التنبؤات الجوية للوصول إلى مستوى التنبؤ المناخي.

اقرأ أيضًا:ماذا يفعل DataRobot؟ أتمتة الذكاء الاصطناعي والتعلم الآلي

اقرأ أيضًا:ما هو DataRobot: ثورة في التعلم الآلي والذكاء الاصطناعي

لماذا هذا مهم

يظهر نموذج NeuralGCM الإمكانات الكبيرة للذكاء الاصطناعي في تحسين القدرات التنبؤية للنماذج المناخية. نماذج NeuralGCM قادرة على محاكاة والتنبؤ بالظواهر المناخية بدقة أكبر، خاصة العمليات صغيرة النطاق التي يصعب التقاطها بواسطة النماذج التقليدية. يمكن أن تساهم في تحسين دقة وسرعة التنبؤات الجوية ولها آثار مهمة على فهم نظام المناخ المعقد، والاستجابة لتغير المناخ، وصياغة السياسات ذات الصلة.

علاوة على ذلك، فإن تطوير ونشر نموذج NeuralGCM كمصدر مفتوح قد وفر لمجتمع علوم المناخ أداة جديدة تسهل التعاون متعدد التخصصات وتبادل المعرفة. باستخدام موارد الحوسبة عالية الأداء، مثل TPU أو GPU، يمكن لنماذج NeuralGCM العمل بسرعات أعلى، مما يساعد الباحثين على إجراء المحاكاة والتحليلات المناخية بشكل أكثر كفاءة.