نماذج الطقس في دور النماذج المناخية: تجربة ناجحة
لقد أثبتت نماذج الطقس القائمة على الذكاء الاصطناعي قدرتها على التنبؤ بالغلاف الجوي لعدة أيام مسبقًا. لكن المناخ هو إحصاءات الطقس على مدى عقود، لذا اعتُبر نقل خوارزميات الطقس إلى المجال المناخي أمرًا محفوفًا بالمخاطر لفترة طويلة. إذا كان النموذج مُدرّبًا فقط على فترات قصيرة، فماذا سيحدث بعد عام أو عشرة أو ثلاثين عامًا من المحاكاة؟ ألن يبدأ في "الانجراف" نحو حالة غير واقعية؟ قرر مؤلفو دراسة أولية حديثة على arXiv اختبار ذلك عمليًا، باستخدام نموذجَي ذكاء اصطناعي كموضوعين للتجربة — وهما ArchesWeather و"شقيقته" الاحتمالية ArchesWeatherGen.
كلا النموذجين طُوّر للتنبؤات على مدى عشرة أيام، وكان لا بد من تكييفهما بشكل جدي مع مقاييس زمنية مختلفة تمامًا. إليكم ما نتج عن ذلك.
نهجان للتنبؤ
من المثير للاهتمام أن النموذجين مُصممان بشكل مختلف. ArchesWeather نظام حتمي: لكل مُدخل مخرج واحد. هذا النهج سريع، لكنه لا يوفر فكرة عن نطاق الحالات المحتملة للغلاف الجوي. ArchesWeatherGen نموذج احتمالي قائم على مطابقة التدفق (flow-matching): فهو يولّد توزيعًا لسيناريوهات الطقس المحتملة، وليس إجابة واحدة فقط. كما أنه يستخدم تنبؤات ArchesWeather كأساس لتوليده، مما يسمح ببناء مجموعة (ensemble). والمجموعة بدورها توفر تقديرًا لعدم اليقين — وهو أمر مهم في الطقس والمناخ على حد سواء.
كيف تم تكييف النموذجين مع المهام المناخية
من السذاجة توقع أن يصبح نموذج الطقس نموذجًا مناخيًا من تلقاء نفسه. المحيط بالغ الأهمية للمناخ: فهو يخزن الحرارة ويتحكم في العمليات البطيئة. لذلك زوّد الباحثون كلا النموذجين — ArchesWeather وArchesWeatherGen — بقنوات إدخال إضافية تحتوي على شروط حدية. الآن يتلقى النموذج متوسط درجات حرارة سطح البحر (SST) الشهرية وتركيز الجليد البحري (SIC) ويقوم "بضبط" الديناميكيات الجوية وفقًا لها بانتظام.
أُجريت عمليات التشغيل وفقًا للبروتوكول الموحد للمرحلة الأولى من AIMIP — وهو ما يعادل مشروع AMIP المعروف، لكن لنماذج التعلم الآلي. تسمح هذه اللائحة بمقارنة نماذج الذكاء الاصطناعي المختلفة فيما بينها ومع النماذج المناخية التقليدية. أجرى المؤلفون أيضًا تجارب اقتطاعية (ablation): حيث قاموا بتعطيل عناصر معينة من التكييف لفهم ما الذي يمنح الاستقرار بالضبط. بالإضافة إلى ذلك، تمت مقارنة الإعدادات القسرية (forced)، حيث يُحدد المحيط خارجيًا، بالإعدادات الحرة (unforced)، حيث يعمل النموذج دون ربط خارجي.
ماذا أظهرت المحاكاة متعددة السنوات
لم تتحقق المخاوف بشأن التدهور السريع. في الإعداد القسري، أظهر كل من ArchesWeather وArchesWeatherGen عمليات تشغيل مستقرة متعددة السنوات: الدورة السنوية لا تنهار، وتم تجنب "الانهيارات المناخية" التي تقضي على المحاكاة الطويلة. نجحت النماذج في إعادة إنتاج:
- علم المناخ الأساسي لإعادة التحليل ERA5؛
- الدورة الدموية الجوية واسعة النطاق؛
- التباين من عام إلى آخر؛
- الحالات النادرة والمتطرفة — أطراف التوزيعات.
بعبارة أخرى، تبدو المؤشرات المتوسطة وانتشار القيم معقولة ليس فقط بشكل عام، بل أيضًا في الحالات القصوى. في عدد من المعايير، لا تقل محاكاة الذكاء الاصطناعي جودة عن النماذج المناخية العددية التقليدية. وقد لوحظ بشكل منفصل أن الإعدادات القسرية تعمل بشكل أفضل بشكل ملحوظ من الإعدادات الحرة: بدون "تلميحات" المحيط، تتراكم الأخطاء بشكل أسرع.
الاستنتاجات
تؤكد الدراسة: نماذج التعلم الآلي، المصممة أصلاً للتنبؤ بالطقس، يمكن أن تكون أساسًا للتجارب المناخية. يكفي إضافة الظروف المحيطية الخارجية واتباع بروتوكول المقارنة بدقة. هذه طريقة غير مكلفة نسبيًا وسريعة للحصول على محاكاة طويلة الأجل، على الرغم من أن الاستبدال الكامل للنماذج التقليدية لا يزال بعيدًا — هناك حاجة إلى تحقق أوسع، خاصة فيما يتعلق بالتفاصيل الإقليمية والظواهر المتطرفة. لكن الخطوات الأولى تبدو واعدة.
