समाचारं

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

द्वारा लिखित |

सम्पादक |

प्रस्तावना

विश्वमौसमविज्ञानसङ्गठनस्य (WMO) आँकडानां द्वारेण ज्ञायते यत् विगत ५० वर्षेषु प्रतिदिनं औसतेन मौसमः, जलवायुः वा जलप्रलयसम्बद्धः आपदा अभवत्, तथा च...प्रत्येकं आपदायां औसतेन प्रायः ११५ जनानां मृत्युः भवति, प्रायः २०२ मिलियन अमेरिकीडॉलर् आर्थिकहानिः च भवति ।。

तस्मादपि दुःखदं यत् अन्तिमेषु वर्षेषु मानवीयक्रियाकलापैः त्वरितं जलवायुपरिवर्तनेन अत्यन्तं मौसमः जलवायुविपदाः च यथा तापतरङ्गाः, शीततरङ्गाः, प्रचण्डवृष्टिः, अनावृष्टिः च अधिकतया भवन्ति

अतएव,समयसापेक्षं सटीकं चउन्नतमौसमस्य पूर्वानुमानं जलवायुप्रतिरूपणं च न केवलं प्रतिवर्षं दशसहस्राणां जीवनं रक्षितुं साहाय्यं कर्तुं शक्नोति, अपितु मानवसमाजस्य पारिस्थितिकीतन्त्रेषु च चरममौसमस्य जलवायुघटनानां च विनाशकारीप्रभावं न्यूनीकर्तुं शक्नोति

अधुना,गूगल-अनुसन्धान-दलेन तस्य सहकारिभिः च विकसितं कृत्रिम-बुद्धि-(AI)-प्रतिरूपं NeuralGCM, मौसमस्य पूर्वानुमानं जलवायु-अनुकरणं च नूतन-स्तरं प्रति नेति——

• NeuralGCM इत्यस्य १-१५ दिवसीयस्य पूर्वानुमानस्य सटीकता यूरोपीय-मध्यम-परिधि-मौसम-पूर्वसूचना-केन्द्रस्य (ECMWF) इत्यस्य तुलनीया अस्ति, यस्य विश्वस्य सर्वाधिकं उन्नतं पारम्परिकं भौतिक-मौसम-पूर्वसूचना-प्रतिरूपं वर्तते

• १० दिवसीयपूर्वसूचनायाः सटीकतायै NeuralGCM अन्येषां विद्यमानानाम् AI मॉडलानां अपेक्षया समानरूपेण उत्तमं वा उत्तमं वा कार्यं करोति;

• समुद्रपृष्ठस्य तापमानं योजयित्वा NeuralGCM इत्यस्य ४० वर्षीयजलवायुपूर्वसूचनापरिणामाः ECMWF-आँकडेषु दृश्यमानेन वैश्विकतापप्रवृत्त्या सह सङ्गताः सन्ति;

• चक्रवातानाम्, तेषां प्रक्षेपवक्राणां च पूर्वानुमानं कर्तुं न्यूरलजीसीएम विद्यमानजलवायुप्रतिमानानाम् अपि उत्तमं प्रदर्शनं करोति ।

उल्लेखनीयं यत् NeuralGCM न केवलं सटीकतायाः दृष्ट्या विद्यमानं पारम्परिकं संख्यात्मकं मौसमं पूर्वानुमानं प्रतिरूपं अन्यं यन्त्रशिक्षणं (ML) प्रतिरूपं च प्राप्नोति वा अतिक्रमयति वागणनासमये ३० सेकेण्ड् मध्ये २२.८ दिवसानां वायुमण्डलीय-अनुकरणं जनयन्तु;

Video |.NeuralGCM अत्याधुनिकभौतिकप्रतिमानानाम् अपेक्षया शीघ्रं वायुमण्डलस्य अनुकरणं करोति तथा च तुलनीयसटीकतापूर्वकं भविष्यवाणीं निर्माति। अस्मिन् विडियो NeuralGCM द्वारा उत्पन्नस्य वायुमण्डलीय-अनुकरणदिनानां तुलनां करोति तथा च द्वयोः भौतिक-माडलयोः, NOAA X-SHiELD तथा NCAR CAM6, 30-सेकेण्ड्-गणनासमये। तेषु, NOAA X-SHiELD एकं उच्च-संकल्पं (0.03°) भौतिकं प्रतिरूपं अस्ति यत् सुपरकम्प्यूटरे चालनीयम् अस्ति वैज्ञानिकानां मध्ये अधिकतया प्रयुक्तः विकल्पः। यद्यपि NeuralGCM न्यूनसंकल्पेन (1.4°) कार्यं करोति तथापि तस्य सटीकता उच्चसंकल्पमाडलेन सह तुलनीया अस्ति । (स्रोतः : गूगल रिसर्च)

प्रासंगिकस्य शोधपत्रस्य शीर्षकं "मौसमस्य जलवायुस्य च कृते तंत्रिकासामान्यसञ्चारप्रतिरूपाः" इति अस्ति तथा च आधिकारिकवैज्ञानिकपत्रिकायां नेचर इत्यस्मिन् प्रकाशितम् अस्ति

एते परिणामाः मिलित्वा दर्शयन्ति यत् NeuralGCM मौसमस्य, मौसमस्य, जलवायुस्य च नियतात्मकसमूहपूर्वसूचनां जनयितुं शक्नोति, दीर्घकालीनमौसमस्य जलवायुस्य च अनुकरणस्य कृते पर्याप्तं स्थिरतां दर्शयति

शोधदलस्य मतं यत् एतत् अन्तः अन्तः गहनं शिक्षणं पारम्परिकसामान्यसञ्चारप्रतिमानैः (GCMs, ये वायुमण्डलस्य, समुद्रस्य, भूमिस्य च भौतिकप्रक्रियाणां प्रतिनिधित्वं कुर्वन्ति, तथा च मौसमस्य जलवायुस्य च पूर्वानुमानस्य आधारः) कृतेषु कार्येषु सङ्गतम् अस्ति , तथा च पृथिवीप्रणालीनां पूर्वानुमानार्थं महत्त्वपूर्णानां भौतिकशास्त्रस्य अनुकरणानाम् अवगमनं बृहत्-परिमाणस्य च अनुकरणं वर्धयितुं शक्नोति ।

तदतिरिक्तं NeuralGCM इत्यस्य संकरप्रतिरूपणपद्धतिः अन्येषु वैज्ञानिकक्षेत्रेषु अपि प्रयोक्तुं शक्यते, यथा सामग्री-आविष्कारः, प्रोटीन-तन्तुः, बहु-भौतिकशास्त्र-इञ्जिनीयरिङ्ग-निर्माणं च

वास्तविकः प्रभावः कः ?？

दीर्घकालीनपूर्वसूचनेषु अनिश्चिततां न्यूनीकर्तुं, चरममौसमघटनानां अनुमानं च जलवायुशमनस्य अनुकूलनस्य च अवगमनस्य कुञ्जी अस्ति ।

एम एल मॉडलइदं सर्वदा मौसमपूर्वसूचनायाः वैकल्पिकसाधनं मन्यते, यत्र गणनाशक्तिव्ययस्य रक्षणस्य लाभः अस्ति, तथा च नियतात्मकमौसमपूर्वसूचनायाः दृष्ट्या वायुमण्डलीयसञ्चारप्रतिमानानाम् स्तरं अपि प्राप्तवान् अथवा अतिक्रान्तवान्दीर्घकालीनपूर्वसूचनेषु कार्यप्रदर्शनं प्रायः सामान्यसञ्चारप्रतिमानानाम् अपेक्षया न्यूनं भवति。

अस्मिन् कार्ये शोधदलेन यन्त्रशिक्षणस्य भौतिकपद्धतीनां च संयोजनेन NeuralGCM इत्यस्य डिजाइनं कृतम्, GCM इत्यस्मिन् पारम्परिकभौतिकपैरामीटरीकरणयोजनायाः स्थाने वा सुधारार्थं ML घटकानां उपयोगेन, यस्मिन् निम्नलिखितमुख्यभागाः सन्ति

• विभेदक शक्ति कोर : अयं कोरः विच्छेदितगतिशीलसमीकरणानां समाधानं कर्तुं तथा च बृहत्-परिमाणस्य द्रवगति-उष्मागतिकी-प्रक्रियाणां अनुकरणाय उत्तरदायी भवति, ये गुरुत्वाकर्षणेन, कोरिओलिस्-बलेन अन्यैः कारकैः च प्रभाविताः भवन्ति गतिशीलकोरः क्षैतिजस्य छद्मवर्णक्रमीयविच्छेदनस्य तथा ऊर्ध्वाधरसिग्मानिर्देशाङ्कस्य उपयोगं करोति, तथा च स्वचालितभेदस्य समर्थनार्थं JAX पुस्तकालयस्य उपयोगेन कार्यान्वितः भवति एतत् सप्त पूर्वानुमानचरानाम् अनुकरणं करोति : क्षैतिजवायुभंवरता, क्षैतिजवायुविचलनं, तापमानं, पृष्ठदाबः, तथा च त्रीणि जलजातयः (विशिष्टार्द्रता, हिममेघजलसामग्री, द्रवमेघजलसामग्री च)

• अध्ययन भौतिकी मॉड्यूल : अयं मॉड्यूलः GCM मध्ये एकस्तम्भपद्धतेः उपयोगं करोति, केवलं एकस्य वायुमण्डलीयस्तम्भस्य सूचनायाः उपयोगेन तस्य स्तम्भस्य अन्तः असमाधानप्रक्रियाणां प्रभावस्य पूर्वानुमानं करोति अवशिष्टसंयोजनैः सह पूर्णतया सम्बद्धस्य तंत्रिकाजालस्य उपयोगं करोति, सर्वेषां वायुमण्डलीयस्तम्भानां मध्ये भारं च साझां करोति । तंत्रिकाजालस्य निवेशेषु वायुमण्डलीयस्तम्भे पूर्वानुमानचराः, कुलप्रकोपसौरविकिरणः, समुद्रहिमसान्द्रता तथा समुद्रपृष्ठस्य तापमानं, तथैव पूर्वानुमानचरानाम् क्षैतिजप्रवणाः च सन्ति तंत्रिकाजालस्य निर्गमः पूर्वानुमानचरप्रवृत्तिः भवति, लक्ष्यक्षेत्रस्य अशर्तमानकविचलनेन स्केल क्रियते ।

• एन्कोडर् तथा डिकोडर : यतः ERA5 आँकडा दबावनिर्देशाङ्केषु संगृहीतः भवति यदा शक्तिकोरः सिग्मा निर्देशांकप्रणालीं उपयुज्यते, अतः रूपान्तरणार्थं एन्कोडर्-डिकोडर-इत्यादीनां आवश्यकता भवति एते घटकाः दबावस्तरस्य सिग्मा समन्वयस्तरस्य च मध्ये रेखीयप्रक्षेपं कुर्वन्ति तथा च ज्ञातस्य भौतिकशास्त्रस्य मॉड्यूलस्य समानस्य तंत्रिकाजालवास्तुकलानां उपयोगेन सम्यक् क्रियन्ते एन्कोडर प्रारम्भिक-आघात-जनितानि गुरुत्वाकर्षण-तरङ्गाः निवारयति, तस्मात् पूर्वानुमान-परिणामानां दूषणं परिहरति ।

चित्र |.NeuralGCM मॉडल वास्तुकला। NeuralGCM लघु-परिमाणस्य भौतिकशास्त्रस्य कृते पारम्परिकद्रवगतिविज्ञानसमाधानकान् तंत्रिकाजालेन सह संयोजयति । एते घटकाः एकेन अवकलसमीकरणसमाधानकेन संयोजिताः भवन्ति यत् क्रमेण तन्त्रं कालान्तरे अग्रे अग्रे सारयति । (स्रोतः : गूगल रिसर्च)

परिणामानि दर्शयन्ति यत् NeuralGCM मौसमस्य पूर्वानुमानस्य दृढक्षमतां प्रदर्शयति, अति-अल्पकालिक, अल्पकालिक, मध्यमकालिकसमयपरिमाणेषु अत्याधुनिकप्रतिमानैः सह स्पर्धां करोति यथा- १.

अतीव अल्पकालिकः पूर्वानुमानः (०-१ दिवसः) २.

• सामान्यीकरणक्षमता : GraphCast इत्यस्य तुलने NeuralGCM अप्रशिक्षितमौसमस्थितौ उत्तमं प्रदर्शनं करोति यतोहि वायुमण्डलस्य ऊर्ध्वाधरस्तम्भे भौतिकप्रक्रियाणां पूर्वानुमानार्थं स्थानीयन्यूरलजालस्य उपयोगं करोति

अल्पकालीन पूर्वानुमान (१-१० दिवस) २.

• सटीकता: NeuralGCM-0.7° तथा GraphCast 1-3 दिवसस्य अल्पकालिकपूर्वसूचने सर्वोत्तमप्रदर्शनं कुर्वन्ति, मौसमस्य प्रतिमाने परिवर्तनस्य सटीकं निरीक्षणं कुर्वन्ति।

• भौतिकसंगतिः : अन्येषां यन्त्रशिक्षणप्रतिमानानाम् अपेक्षया NeuralGCM इत्यस्य भविष्यवाणयः स्पष्टतराः सन्ति, भौतिकरूपेण असङ्गताः अस्पष्टाः च भविष्यवाणयः परिहरन्ति

• व्याख्याक्षमता : वर्षणस्य न्यूनीकरणेन वाष्पीकरणस्य निदानं कृत्वा NeuralGCM इत्यस्य परिणामाः अधिकव्याख्यायोग्याः भवन्ति तथा च जलसंसाधनविश्लेषणस्य सुविधां कुर्वन्ति।

• भू-आकृतिक-वायु-सन्तुलनम् : NeuralGCM भू-आकृतिक-भू-वायु-वायुनां ऊर्ध्वाधर-संरचनायाः तेषां अनुपातस्य च अनुकरणं GraphCast-अपेक्षया अधिकसटीकतया करोति ।

मध्यमकालीन पूर्वानुमान (७-१५ दिवस) २.

• एन्सेम्बल् पूर्वानुमानम् : 1.4° रिजोल्यूशनस्य NeuralGCM-ENS इत्यस्य एन्सेम्बल् मीन RMSE, RMSB तथा CRPS त्रुटयः सर्वे ECMWF-ENS इत्यस्य अपेक्षया न्यूनाः सन्ति, येन सूचितं यत् एतत् सम्भाव्यं औसतमौसमस्थितिं उत्तमरीत्या गृहीतुं शक्नोति।

• मापनक्षमता : ECMWF-ENS इव NeuralGCM-ENS इत्यस्य समूहपूर्वसूचनानां विचलन-कौशल-अनुपातः प्रायः 1 भवति, यत् पूर्वानुमानस्य मापनार्थं आवश्यकं शर्तं भवति

तदतिरिक्तं मौसमस्य पूर्वानुमानस्य उत्तमप्रदर्शनस्य अतिरिक्तं NeuralGCM इत्यनेन जलवायुअनुकरणे अपि सशक्तक्षमता प्रदर्शिता, यथा ऋतुचक्रस्य अनुकरणं, उष्णकटिबंधीयचक्रवातस्य अनुकरणं, ऐतिहासिकतापमानप्रवृत्तेः अनुकरणं च यथा- १.

ऋतु चक्र अनुकरण

• सटीकता : NeuralGCM ऋतुचक्रस्य सटीकं अनुकरणं कर्तुं समर्थः अस्ति, यत्र वैश्विकवृष्टियोग्यजलस्य वार्षिकचक्रं तथा कुलवैश्विकगतिशक्तिः, तथैव प्रमुखवायुमण्डलीयगतिविज्ञानं यथा हैडलेकोशिका तथा मेरिडियनमध्यवायुः च सन्ति

• वैश्विकमेघ-निराकरण-प्रतिरूपैः सह तुलना : वैश्विकमेघ-समाधान-प्रतिरूपस्य X-SHiELD-इत्यस्य अपेक्षया NeuralGCM-इत्यस्य वर्षायोग्यजलस्य लघुपक्षपाताः, उष्णकटिबंधीयक्षेत्रेषु न्यूनतापमानपक्षपाताः च सन्ति

उष्णकटिबंधीय चक्रवात अनुकरण

• पटलाः संख्याः च : १.४° इत्यस्य मोटे रिजोल्यूशनस्य अपि NeuralGCM इत्यनेन उष्णकटिबंधीयचक्रवातस्य पटलाः ERA5 इत्यस्य सदृशाः संख्याः च उत्पाद्यन्ते, यदा तु वैश्विकमेघसमाधानं कुर्वन् मॉडलः X-SHiELD १.४° रिजोल्यूशनस्य उष्णकटिबंधीयचक्रवातस्य संख्यां न्यूनीकरोति

Video|NeuralGCM इत्यनेन २०२० तमे वर्षे वैश्विकउष्णकटिबंधीयचक्रवातानाम् मार्गस्य भविष्यवाणी कृता। पूर्वानुमानपरिणामाः तस्य वर्षस्य चक्रवातानाम् वास्तविकसङ्ख्यायाः तीव्रतायाश्च सङ्गताः सन्ति यथा ECMWF Reanalysis Version 5 (ERA5) इति आँकडासमूहेन दर्शितम् अस्ति (स्रोतः : गूगल रिसर्च)

ऐतिहासिक तापमान प्रवृत्ति अनुकरण

• AMIP अनुकरणम् : NeuralGCM-2.8° इत्यनेन 40 वर्षाणां AMIP अनुकरणं कृतम् तथा च दर्शितं यत् सर्वेषां अनुकरणानाम् ERA5 आँकडासु अवलोकितानां वैश्विकतापप्रवृत्तिः सटीकरूपेण गृहीता अस्ति तथा च अन्तरवार्षिकतापमानप्रवृत्तयः ERA5 आँकडानां सह दृढतया सहसंबद्धाः सन्ति, येन सूचितं यत् NeuralGCM प्रभावीरूपेण प्रभावस्य अनुकरणं कर्तुं शक्नोति जलवायुविषये एसएसटी-बलीकरणस्य।

• CMIP6 मॉडलेन सह तुलना: NeuralGCM-2.8° इत्यस्य CMIP6 AMIP मॉडलस्य अपेक्षया 1981-2014 तमस्य वर्षस्य कालखण्डे तापमानपूर्वग्रहः लघुः अस्ति, एषः परिणामः CMIP6 AMIP मॉडलात् वैश्विकतापमानपूर्वग्रहं दूरीकृत्य अपि धारयति

चित्र |.NeuralGCM सटीकता तथा दशकात्मकसमयपरिमाणेषु वैश्विकतापस्य ग्रहणस्य क्षमता। १९८० तः २०२० पर्यन्तं वैश्विकमध्यतापमानस्य पूर्वानुमानं कर्तुं NeuralGCM तथा AMIP इत्येतयोः कार्यप्रदर्शनस्य तुलना। (स्रोतः : गूगल रिसर्च)

यद्यपि NeuralGCM इत्यनेन मौसमस्य जलवायुस्य च पूर्वानुमानस्य दृढक्षमता प्रदर्शिता अस्ति तथापि एतत्...अद्यापि काश्चन सीमाः सन्ति。

प्रथमः,न्यूरलजीसीएम इत्यस्य भविष्यस्य जलवायुस्य पूर्वानुमानं कर्तुं सीमितक्षमता अस्ति . न्यूरलजीसीएम सम्प्रति ऐतिहासिकजलवायुभ्यः महत्त्वपूर्णतया भिन्नानां भविष्यस्य जलवायुस्य पूर्वानुमानं कर्तुं असमर्थः अस्ति । यदा समुद्रपृष्ठस्य तापमानं (SST) बृहत् परिमाणेन (यथा +4K) वर्धते तदा NeuralGCM इत्यस्य प्रतिक्रिया अपेक्षायाः अनुरूपं न भवति, जलवायुभ्रमणं च भवति

द्वितीयं, २.न्यूरलजीसीएम इत्यस्य अनवलोकितजलवायुस्य अनुकरणं कर्तुं अपर्याप्तक्षमता अस्ति . अन्येषां यन्त्रशिक्षणजलवायुप्रतिमानानाम् सदृशं NeuralGCM अपि अनवलोकितजलवायुस्य अनुकरणस्य आव्हानस्य सामनां करोति, यथा भविष्यस्य जलवायुः अथवा जलवायुः यत् ऐतिहासिकदत्तांशैः बहु भिन्नं भवति अस्य कृते सशक्ततरसामान्यीकरणक्षमतायुक्तानां आदर्शानां आवश्यकता वर्तते, अधिक उन्नतप्रशिक्षणरणनीतयः च, यथा प्रतिद्वन्द्वीप्रशिक्षणं वा मेटा-शिक्षणम् ।

तदा,NeuralGCM इत्यस्य भौतिकबाधाः, संख्यात्मकस्थिरतायाः विषयाः अपि सन्ति . यथा, NeuralGCM इत्यस्य वर्णक्रमीयवितरणं ECMWF भौतिकपूर्वसूचनानां अपेक्षया अद्यापि अस्पष्टम् अस्ति, तथा च उष्णकटिबंधीयचरमघटनानां अनुकरणे न्यूनानुमानं भवति अस्य कृते प्रतिरूपस्य भौतिकसंगतिं संख्यात्मकस्थिरतां च सुधारयितुम् भौतिकप्रक्रियामापदण्डीकरणस्य संख्यात्मकपद्धतीनां च अग्रे शोधस्य सुधारस्य च आवश्यकता वर्तते

अन्ते, २.अन्येषां पृथिवीतन्त्रघटकानाम् युग्मनस्य अभावः . वर्तमान समये NeuralGCM केवलं वायुमण्डलीयव्यवस्थायाः अनुकरणं करोति, यदा तु जलवायुव्यवस्था एकः जटिलः अन्तरक्रियाशीलः प्रणाली अस्ति, यत्र समुद्राः, भूमिः, हिमः, हिमः च, जैवमण्डलं च सन्ति अधिकव्यापकजलवायुअनुकरणं कर्तुं NeuralGCM इत्यस्य एतेषां घटकानां सह युग्मनस्य आवश्यकता वर्तते तथा च तेषां मध्ये अन्तरक्रियाणां गणना आवश्यकी अस्ति । अस्य कृते युग्मितबहुभौतिकशास्त्रस्य अनुकरणं सक्षमं कर्तुं नूतनानां आदर्शवास्तुकलानां प्रशिक्षणरणनीतीनां च विकासः आवश्यकः अस्ति ।

पारम्परिकं मौसमस्य पूर्वानुमानं जलवायु-अनुकरणं च एआइ-द्वारा विध्वंसितं भवति

मौसमस्य पूर्वानुमानस्य जलवायु-अनुकरणस्य च विषये NeuralGCM “अग्रणी” नास्ति。

विगतकेषु वर्षेषु हुवावे, गूगल, सिङ्घुआ विश्वविद्यालयः इत्यादीनां प्रौद्योगिकीकम्पनीनां विश्वविद्यालयानाञ्च अस्मिन् दिशि महती प्रगतिः अभवत् ।

२०२३ तमस्य वर्षस्य जुलैमासे हुवावे क्लाउड् इत्यनेन विकसितम्पाङ्गु-मौसम मॉडलप्रकृतौ बोर्ड्ड्, एतत् ३९ वर्षाणां वैश्विकपुनर्विश्लेषणमौसमदत्तांशस्य उपयोगं प्रशिक्षणदत्तांशरूपेण करोति अस्य भविष्यवाणीसटीकता विश्वस्य सर्वोत्तमसंख्यात्मकमौसमपूर्वसूचनाप्रणाली IFS इत्यनेन सह तुलनीया अस्ति, तथा च समानस्थानिकसंकल्पे IFS प्रणाल्याः अपेक्षया १०,००० गुणाधिकं द्रुततरं भवति

तस्मिन् एव काले नेचर पत्रिकायां प्रकाशितम् अन्यत् पत्रं परिचयं दत्तवान्NowcastNet इति.

नवम्बर २०२३ तमे वर्षे गूगल डीपमाइण्ड् इत्यनेन यन्त्रशिक्षणस्य आधारेण मौसमस्य पूर्वानुमानस्य प्रतिरूपं प्रारब्धम्——ग्राफकास्ट् , 0.25° वैश्विकसंकल्पे, आदर्शः एकस्मिन् निमेषे आगामिषु 10 दिवसेषु शतशः मौसमचरानाम् पूर्वानुमानं कर्तुं शक्नोति, पारम्परिकमौसमपूर्वसूचनाविधिभ्यः महत्त्वपूर्णतया उत्तमः, तथा च चरमघटनानां पूर्वानुमानं कर्तुं उत्तमं प्रदर्शनं करोति प्रामाणिकवैज्ञानिकपत्रिकायां विज्ञानपत्रे प्रासंगिकाः शोधपत्राणि प्रकाशितानि सन्ति ।

अस्मिन् वर्षे मार्चमासे गूगल-रिसर्च-दलेन विकसितेन एआइ-प्रतिरूपेण अपि अत्यन्तं उन्नतवैश्विक-जलप्रलय-चेतावनी-प्रणालीं पराजितं यत् एतत् प्रशिक्षणार्थं ५,६८० विद्यमान-मापकानाम् उपयोगं कृतवान्, ७-दिवसीय-पूर्वसूचना-कालस्य अन्तः अमापन-जल-प्रवाह-क्षेत्रेषु दैनिक-प्रवाहस्य पूर्वानुमानं कर्तुं शक्नोति स्म

अद्यत्वे पारम्परिकं मौसमस्य पूर्वानुमानं जलवायु-अनुकरणं च एआइ-द्वारा विध्वंसितं भवति । भविष्ये एआइ इत्यनेन मौसमपूर्वसूचनायाः गतिः सटीकता च अधिकं त्वरिता भविष्यति, येन सर्वेषां मानवजातेः लाभः भविष्यति ।

https://www.nature.com/articles/s41586-024-07744-y

https://www.science.org/doi/10.1126/science.adi2336

https://www.nature.com/articles/s41586-024-07145-1

https://www.nature.com/articles/s41586-023-06185-3

https://www.nature.com/articles/s41586-023-06184-4

｜मम अनुसरणं कर्तुं क्लिक् कुर्वन्तु तथा च तारयितुं स्मर्यताम्