இன்றைய வானிலை முன்னறிவிப்புகள் வளிமண்டலம் மற்றும் கடல்களின் இயக்கவியலைக் கட்டுப்படுத்தும் சட்டங்களை உள்ளடக்கிய சிக்கலான மாதிரிகளை அடிப்படையாகக் கொண்டவை, மேலும் இந்த மாதிரிகள் தற்போதுள்ள சில சக்திவாய்ந்த சூப்பர் கம்ப்யூட்டர்களில் இயங்குகின்றன. இருப்பினும், ஆல்பபெட் (கூகுளின் தாய் நிறுவனம்) டீப் மைண்ட் உருவாக்கிய செயற்கை நுண்ணறிவுக்கு நன்றி, தனிநபர் கணினி அளவுள்ள ஒற்றை இயந்திரத்தைப் பயன்படுத்தி அடுத்த 10 நாட்களுக்கு உலக வானிலை நிலையை ஒரு நிமிடத்தில் கணிக்க முடிந்தது. தி கூகுள் AI வானிலையை முன்னறிவிக்கிறது மேலும் இது இப்போதுதான் தொடங்கியுள்ளது.
இந்த கட்டுரையில் Google AI வானிலையை எவ்வாறு கணிக்கிறது மற்றும் இந்த தொழில்நுட்பம் எவ்வாறு உருவாகியுள்ளது என்பதை நாங்கள் உங்களுக்கு சொல்லப் போகிறோம்.
கூகுள் AI வானிலையை முன்னறிவிக்கிறது
ஆச்சரியப்படும் விதமாக, இந்த AI அமைப்பு கிட்டத்தட்ட எல்லா அம்சங்களிலும் பெரும்பாலான நவீன வானிலை முன்னறிவிப்பு அமைப்புகளை மிஞ்சுகிறது. சுவாரஸ்யமாக, இந்த முறை செயற்கை நுண்ணறிவு மனித நுண்ணறிவுக்கு பதிலாக அதை மாற்றுவதை விட ஒரு நிரப்பியாக செயல்படுகிறது என்று தோன்றுகிறது.
நடுத்தர அளவிலான வானிலை முன்னறிவிப்புகளுக்கான ஐரோப்பிய மையம் (ECMWF) நம்பமுடியாத அளவிற்கு மேம்பட்ட அமைப்பைக் கொண்டுள்ளது, இது கடந்த ஆண்டு ஒரு பெரிய மேம்படுத்தலுக்கு உட்பட்டது, அதன் முன்கணிப்பு திறன்களை மேம்படுத்தியது. இத்தாலியின் போலோக்னாவில் உள்ள அதன் வசதிகளில் நடத்தப்பட்டது, ஏறக்குறைய ஒரு மில்லியன் செயலிகளைக் கொண்ட சூப்பர் கம்ப்யூட்டர் உள்ளது (தனிப்பட்ட கணினியில் காணப்படும் இரண்டு அல்லது நான்கிற்கு மாறாக) மற்றும் ஒரு வினாடிக்கு 30 டிரில்லியன் கணக்கீடுகளுக்கு சமமான 30.000 பெட்டாஃப்ளாப்களின் அசாதாரண கணினி சக்தி.
இந்த அபரிமிதமான கணக்கீட்டுத் திறன் அதன் கருவிகளில் ஒன்றான உயர் தெளிவுத்திறன் முன்கணிப்பு (HRES) க்கு அவசியமானது, இது நடுத்தர கால உலகளாவிய வானிலை முறைகளை துல்லியமாக கணிக்கும். அவை பொதுவாக 10 நாட்கள் நீடிக்கும், ஒன்பது கிலோமீட்டர் இடைவெளியில் ஈர்க்கக்கூடிய தெளிவுத்திறனுடன். இந்த கணிப்புகள் உலகெங்கிலும் உள்ள வானிலை ஆய்வாளர்களால் வழங்கப்படும் வானிலை முன்னறிவிப்புகளுக்கு அடிப்படையாக செயல்படுகின்றன. சமீபத்தில், Google DeepMind உருவாக்கிய செயற்கை நுண்ணறிவான GraphCast, வானிலை முன்னறிவிப்பில் இந்த வல்லமைமிக்க அமைப்பின் திறன்களை அளவிட பயன்படுத்தப்பட்டது.
AI ஆய்வு முடிவுகள்
சயின்ஸ் இதழில் செவ்வாயன்று வெளியிடப்பட்ட ஒப்பீட்டு முடிவுகள், பல வானிலை காரணிகளை கணிப்பதில் GraphCast HRES ஐ விட சிறப்பாக செயல்படுகிறது என்பதை வெளிப்படுத்துகிறது. ஆய்வின் படி, ஆய்வு செய்யப்பட்ட 90,3 அளவீடுகளில் 1.380% இல் கூகுளின் இயந்திரம் ECMWF ஐ விட சிறப்பாக செயல்படுகிறது.
ட்ரோபோஸ்பியரில் மட்டுமே கவனம் செலுத்தும் போது, பெரும்பாலான வானிலை நிகழ்வுகள் நிகழும் வளிமண்டல அடுக்கு மற்றும் பூமியின் மேற்பரப்பிலிருந்து சுமார் 6 முதல் 8 கிலோமீட்டர் தொலைவில் உள்ள ஸ்ட்ராடோஸ்பியரின் தரவுகளைத் தவிர்த்து, செயற்கை நுண்ணறிவு (A.I.) ) 99,7% இல் மனிதனால் கண்காணிக்கப்படும் சூப்பர் கம்ப்யூட்டர்களை விட சிறப்பாக செயல்படுகிறது. வழக்குகள். மாறிகள் பகுப்பாய்வு செய்யப்பட்டன. ஆச்சரியப்படும் விதமாக, டென்சர் ப்ராசசிங் யூனிட் அல்லது TPU எனப்படும் பெர்சனல் கம்ப்யூட்டரை ஒத்திருக்கும் ஒரு இயந்திரத்தைப் பயன்படுத்தி இந்த சாதனை அடையப்பட்டது.
Google DeepMind இன் ஆராய்ச்சியாளர் அல்வாரோ சான்செஸ் கோன்சாலஸின் கூற்றுப்படி, TPU கள் சிறப்பு வன்பொருள் ஆகும், இது ஒரு சாதாரண கணினியுடன் ஒப்பிடும்போது செயற்கை நுண்ணறிவு மென்பொருளை மிகவும் திறமையான பயிற்சி மற்றும் செயல்படுத்தலை வழங்குகிறது, அதே அளவு அதே அளவு பராமரிக்கப்படுகிறது. கணினியின் கிராபிக்ஸ் கார்டு படங்களை வழங்குவதில் கவனம் செலுத்துவது போல, TPUகள் மேட்ரிக்ஸ் தயாரிப்புகளில் சிறந்து விளங்கும் வகையில் வடிவமைக்கப்பட்டுள்ளன. GraphCast பயிற்சிக்காக, பல வாரங்களில் 32 TPUகளைப் பயன்படுத்தினோம். இருப்பினும், பயிற்சி முடிந்ததும், ஒரு TPU ஒரு நிமிடத்திற்குள் கணிப்புகளை உருவாக்க முடியும், சாதனத்தை உருவாக்கியவர்களில் ஒருவரான Sánchez González விளக்கினார்.
கிராப்காஸ்ட் மற்றும் கணிப்பு அமைப்புகள்
கிராப்காஸ்ட் மற்றும் ஏற்கனவே உள்ள முன்கணிப்பு அமைப்புகளுக்கு இடையே உள்ள குறிப்பிடத்தக்க வேறுபாடு வரலாற்றுத் தரவை இணைக்கும் திறன் ஆகும். 1979 ஆம் ஆண்டுக்கு முந்தைய ECMWF காப்பகத்திலிருந்து வானிலை தரவுகளைப் பயன்படுத்தி படைப்பாளிகள் கணினியைப் பயிற்றுவித்தனர். இந்த விரிவான தரவுத் தொகுப்பு உள்ளடக்கியது சாண்டியாகோவில் மழைப்பொழிவு மற்றும் 40 ஆண்டுகளில் அகாபுல்கோவை பாதித்த சூறாவளிகள். கணிசமான அளவு பயிற்சிக்குப் பிறகு, துல்லியமான வானிலை கணிப்புகளை உருவாக்கும் குறிப்பிடத்தக்க திறனை GraphCast கொண்டுள்ளது.
இன்னும் ஆறு மணிநேரத்திற்கு வானிலையை துல்லியமாக கணிக்க, உங்கள் முன்னறிவிப்புக்கு ஆறு மணி நேரத்திற்கு முன்னும் அதற்கு முன்னும் வானிலை பற்றிய அறிவு மட்டுமே தேவை. கணிப்புகள் ஒன்றுக்கொன்று சார்ந்தவை மற்றும் ஒவ்வொரு புதிய முன்னறிவிப்பும் முந்தையதைத் தெரிவிக்கின்றன. இந்த ஈர்க்கக்கூடிய டீப் மைண்ட் இயந்திரத்தின் இணை-உருவாக்கிய ஃபெரான் அலெட், அதன் உள் செயல்பாடுகளை விளக்குகிறார்: "எங்கள் நரம்பியல் நெட்வொர்க் வானிலை நிலைமைகளை ஆறு மணி நேரத்திற்கு முன்பே எதிர்பார்க்கிறது. 24 மணி நேரத்தில் வானிலை முன்னறிவிப்பதற்காக, மாதிரியை நான்கு முறை மதிப்பீடு செய்கிறோம். மாற்றாக, ஆறு மணிநேரத்திற்கு ஒன்று மற்றும் 24 மணிநேரத்திற்கு ஒன்று என வெவ்வேறு காலகட்டங்களுக்கு தனித்தனி மாடல்களைப் பயிற்றுவித்திருக்கலாம். எனினும், "வானிலையை நிர்வகிக்கும் அடிப்படைக் கொள்கைகள் ஆறு மணி நேரத்திற்குள் சீராக இருக்கும் என்பதை நாங்கள் புரிந்துகொள்கிறோம்."
"எனவே, பொருத்தமான 6 மணிநேர மாதிரியைக் கண்டறிந்து அதன் சொந்த கணிப்புகளை உள்ளீடாகப் பயன்படுத்தினால், அடுத்த 12 மணிநேரத்திற்கு வானிலையை துல்லியமாக கணித்து, ஒவ்வொரு ஆறு மணி நேரத்திற்கும் இந்த செயல்முறையை மீண்டும் செய்யலாம்." அலெட்டின் கூற்றுப்படி, இந்த அணுகுமுறை ஒரு மாதிரிக்கு கணிசமான அளவு தரவை வழங்குகிறது, இதன் விளைவாக மிகவும் திறமையான பயிற்சி கிடைக்கும்.
இப்போது வரை, வானிலை முன்னறிவிப்புகள் எண்ணியல் வானிலை முன்னறிவிப்பை அடிப்படையாகக் கொண்டவை, இது வளிமண்டல இயக்கவியலின் பல்வேறு சிக்கல்களைக் கணக்கிடுவதற்கு வரலாறு முழுவதும் உருவாக்கப்பட்ட அறிவியல் சமன்பாடுகளைப் பயன்படுத்துகிறது. ஆராய்ச்சியாளர்களின் கண்டுபிடிப்புகள் சூப்பர் கம்ப்யூட்டர்களை உருவாக்கும் கணித வழிமுறைகளின் தொகுப்பை நிறுவுகின்றன அடுத்த சில மணிநேரங்கள், நாட்கள் அல்லது வாரங்களுக்கு கணிப்புகளை உருவாக்க ஓட வேண்டும் (நம்பகத்தன்மை 15 நாட்களுக்கு மேல் கணிசமாகக் குறைந்தாலும்). இருப்பினும், இந்த பணியை மேற்கொள்வதற்கு மிகவும் மேம்பட்ட சூப்பர் கம்ப்யூட்டர் தேவைப்படுகிறது, இதில் குறிப்பிடத்தக்க செலவுகள் மற்றும் விரிவான பொறியியல் முயற்சிகள் அடங்கும்.
கூகுள் AI மாடல் வானிலையை கணிக்கும்
இந்த அமைப்புகள் என்பது குறிப்பிடத்தக்கது அவர்கள் முந்தைய நாள் அல்லது முந்தைய ஆண்டு வானிலை நிலைமைகளைப் பயன்படுத்துவதில்லை, ஒரே இடத்தில் ஒரே நேரத்தில் நிகழ்ந்தாலும்.
மாறாக, அது பணியை வேறு கோணத்தில் அணுகுகிறது, கிட்டத்தட்ட எதிர். அதன் மேம்பட்ட ஆழமான கற்றல் திறன்கள் மூலம், பூமியின் காலநிலையின் முன்னேற்றத்தை ஆணையிடும் சிக்கலான காரண-மற்றும்-விளைவு இயக்கவியல் பற்றிய விரிவான புரிதலைப் பெற, கடந்த கால வானிலை தரவுகளின் விரிவான காப்பகங்களைப் பயன்படுத்துகிறது.
ஸ்பெயினின் வானிலை ஆய்வு மையத்தின் (AEMET) செய்தித் தொடர்பாளர் ஜோஸ் லூயிஸ் கசாடோவின் கூற்றுப்படி, வளிமண்டல மாதிரியில் வரலாற்றுத் தரவு கணக்கில் எடுத்துக்கொள்ளப்படவில்லை. இந்த மாதிரியானது ஏற்கனவே உள்ள அவதானிப்புகள் மற்றும் மாடலால் செய்யப்பட்ட மிக சமீபத்திய கணிப்பு ஆகியவற்றின் அடிப்படையிலானது என்று கசாடோ தெளிவுபடுத்துகிறார். வளிமண்டலத்தின் தற்போதைய நிலையை துல்லியமாக புரிந்துகொள்வதன் மூலம், அதன் எதிர்கால முன்னேற்றத்தை கணிக்க முடியும். இயந்திர கற்றல் நுட்பங்களைப் போலன்றி, இந்த அணுகுமுறை வரலாற்றுத் தரவு அல்லது கணிப்புகளைப் பயன்படுத்துவதில்லை.
இந்த தகவலின் மூலம் வானிலை மற்றும் அதன் குணாதிசயங்களைக் கணிக்கும் கூகுளின் AI பற்றி மேலும் அறிந்து கொள்ளலாம் என்று நம்புகிறேன்.