هوش مصنوعی با گنجاندن امواج گرانشی جوی، «بن‌بست دهه‌ها» در مدل‌سازی اقلیمی را حل می‌کند

مردم تصور می‌کنند مدل‌های اقلیمی به دلیل کمبود قدرت محاسباتی یا درک نادرست از گازهای گلخانه‌ای دچار مشکل هستند. در واقع، یکی از سرسخت‌ترین نقاط کور در علم اقلیم، مشکلی در مقیاس فیزیکی است. مدل‌های جهانی به سادگی نمی‌توانند «امواج گرانشی جوی» را ببینند—امواج کوچک و کوتاه‌مدت هوا که جریان‌های جتی را هدایت می‌کنند، مسیر طوفان‌ها را تغییر می‌دهند و بر گرداب قطبی تأثیر می‌گذارند.[2][4]

از آنجایی که این امواج از شبکه‌های مربعی درشت مورد استفاده در مدل‌های سنتی عبور می‌کنند، دانشمندان دهه‌ها را صرف تکیه بر تخمین‌های تقریبی برای حدس زدن اثرات آن‌ها کرده‌اند. این امر منجر به خطاهای مداوم در پیش‌بینی‌های فصلی شده است، مانند «سوگیری قطب سرد»، که در آن مدل‌ها به طور مداوم طول مدت زمستان قطب جنوب را بیش از حد برآورد می‌کنند.[1][3]

اکنون، یک پیشرفت در هوش مصنوعی این بن‌بست چند دهه‌ای را شکسته است. محققان با آموزش شبکه‌های عصبی بر روی داده‌های جوی با وضوح بالا، فیزیک مفقود امواج گرانشی را با موفقیت نقشه‌برداری کرده و آن‌ها را در مدل‌های اقلیمی جهانی ادغام نموده‌اند.[1][4]

سازوکار پشت این جهش متکی بر مدل‌های بنیادی است. به جای تلاش برای محاسبه صریح دینامیک سیالات هر موج کوچک، هوش مصنوعی بر روی داده‌های بازتحلیل جوی دهه‌ها پیش‌آموزش داده شد و نمایش احتمالی نهفته از چگونگی تکامل جو را آموخت.[1]

برای هدف قرار دادن خاص امواج گرانشی، محققان مدل را با استفاده از داده‌های با وضوح بالا که شار تکانه امواج را ثبت می‌کند، تنظیم دقیق کردند. امواج گرانشی جوی—که کاملاً متمایز از امواج گرانشی هستند که در فضا-زمان موج می‌زنند—زمانی شکل می‌گیرند که توده‌های هوا توسط موانعی مانند رشته کوه‌ها یا طوفان‌های عظیم به سمت بالا رانده می‌شوند.[2][3]

هنگامی که گرانش هوای متراکم را به پایین می‌کشد، یک اثر موجی ایجاد می‌شود که در سراسر جو منتشر می‌گردد و در نهایت شکسته شده و تکانه را به بادهای اطراف منتقل می‌کند. مدل‌های سنتی، که معمولاً کره زمین را به ستون‌های شبکه‌ای ۱۰۰ در ۱۰۰ کیلومتری تقسیم می‌کنند، برای تفکیک این رویدادهای محلی بسیار درشت هستند.[1][2]

رویکرد هوش مصنوعی این محدودیت وضوح را دور می‌زند. شبکه عصبی با یادگیری از داده‌هایی با وضوح ۱۰ برابر دقیق‌تر، می‌تواند به طور دقیق پیش‌بینی کند که چگونه امواج گرانشی در حال تضعیف، بادهای جوی را در مقیاس جهانی تسریع یا کند خواهند کرد.[1]

شواهد اثربخشی هوش مصنوعی چشمگیر است. هنگامی که مدل‌های تنظیم‌شده در برابر مشاهدات دنیای واقعی آزمایش شدند، با موفقیت نقاط داغ موج را شناسایی کرده و تکامل روزانه آن‌ها را با دقت بالا ردیابی کردند. علاوه بر این، پارامتری‌سازی هوش مصنوعی عملکرد پیش‌بینی برتری را حتی در مناطق جوی که در طول فاز آموزشی آن مستثنی شده بودند، نشان داد.[1][4]

این پیشرفت مسیری مستقیم برای رفع سوگیری قطب سرد و سایر خطاهای فصلی ارائه می‌دهد. مدل‌های تقویت‌شده با هوش مصنوعی، با مقیاس‌بندی صحیح انرژی موج مفقود، می‌توانند فروپاشی گرداب قطبی و رفتار جریان جتی را با دقت بیشتری پیش‌بینی کنند.[3][4]

با این حال، شواهد محدودیت‌های واضحی را نیز برجسته می‌کند. پیش‌بینی اقلیم همچنان یک چالش نمونه‌ای «خارج از توزیع» باقی می‌ماند؛ تضمین اینکه یک هوش مصنوعی آموزش‌دیده بر روی داده‌های تاریخی چگونه تحت غلظت‌های بی‌سابقه گازهای گلخانه‌ای عمل خواهد کرد، دشوار است.[1]

محققان تأکید می‌کنند که هوش مصنوعی نمی‌تواند به صورت مجزا عمل کند. قوی‌ترین مسیر پیش رو، یک رویکرد متعادل است که توابع هوش مصنوعی مبتنی بر داده را در پارامتری‌سازی‌های سنتی و مبتنی بر فیزیک که به شدت قوانین بقا را اعمال می‌کنند، جاسازی می‌کند.[1][4]

با ورود این مدل‌های تقویت‌شده با هوش مصنوعی به استفاده عملیاتی، آن‌ها نوید می‌دهند که دقت برآوردهای اقلیمی منطقه‌ای را به طور قابل توجهی افزایش دهند و به جوامع کمک کنند تا برای تأثیرات محلی‌شده یک جهان گرم‌تر بهتر آماده شوند.[1][3]