समाचारं

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

नवीन बुद्धि प्रतिवेदन

सम्पादक : सम्पादकीय विभाग

[नव प्रज्ञायाः परिचयः] । गूगलेन नूतनं एमएल-आधारितं वायुमण्डलीयसञ्चारप्रतिरूपं NeuralGCM प्रस्तावितं, यत् पारम्परिकभौतिकशास्त्राधारितमाडलस्य तुलने गणनानां परिमाणस्य अनेकक्रमाणां रक्षणं करोति तथा च गणनाव्ययस्य एकलक्षगुणं न्यूनीकरोति, यत् उच्च- प्रदर्शनगणना . २-१५ दिवसीयस्य मौसमस्य पूर्वानुमानस्य कृते एषा पद्धतिः SOTA भौतिकप्रतिरूपस्य अपेक्षया अधिका सटीका भवति ।

अद्य प्रातःकाले गूगलस्य मुख्याधिकारी पिचाई इत्यनेन X इत्यत्र एकं पोस्ट् स्थापितं, यत्र घोषितं यत् NeuralGCM इत्यनेन जलवायुप्रतिरूपणस्य क्षेत्रे महती सफलता प्राप्ता!

"न्यूरलजीसीएम भौतिकशास्त्राधारितप्रतिरूपणं कृत्रिमबुद्ध्या सह संयोजयति यत् अन्येभ्यः प्रतिरूपेभ्यः एकलक्षगुणं अधिकं कुशलतया वायुमण्डलस्य अनुकरणं करोति, येन वैज्ञानिकाः जलवायुपरिवर्तनस्य पूर्वानुमानार्थं नूतनानि साधनानि प्रदाति।

इदं शोधपरिणामं नेचर इत्यत्र अपि प्रकाशितम् अस्ति अधिकांशः शोधदलः गूगल रिसर्च तथा DeepMind इत्येतयोः वैज्ञानिकाः अपि च MIT, Harvard, ECMWF इत्येतयोः वैज्ञानिकाः सन्ति ।

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

गूगलेन विकसितं प्रतिरूपं NeuralGCM इति नाम्ना पृथिव्याः वायुमण्डलस्य शीघ्रं, कुशलतया, सटीकतया च अनुकरणं कर्तुं शक्नोति ।

अस्य महत्त्वं वैज्ञानिकानां कृते पृथिव्याः जलवायुविषये सटीकं भविष्यवाणीं कर्तुं साहाय्यं कर्तुं वर्तते यदा पृथिवी अपूर्ववेगेन तापयति——

वैश्विकतापमानस्य वर्धने केषु क्षेत्रेषु दीर्घकालं यावत् अनावृष्टिः भविष्यति? प्रमुखेभ्यः उष्णकटिबंधीयतूफानेभ्यः तटीयजलप्रलयः कुत्र अधिकः भविष्यति ? यथा यथा तापमानं वर्धते तथा तथा वन्यजलाग्निऋतुः कथं परिवर्तते ?

एतासां तात्कालिकसमस्यानां सम्मुखे येषां समाधानं करणीयम्, पारम्परिकभौतिकशास्त्राधारितं सामान्यसञ्चारप्रतिरूपं (GCM) दीर्घकालीनमौसमस्य जलवायुस्य च अनुकरणस्य सम्मुखे GCM पर्याप्तस्थिरतायाः अभावं प्राप्नोति

NeuralGCM एकः यन्त्रशिक्षण-आधारितः पद्धतिः अस्ति या पारम्परिकभौतिकप्रतिरूपणं संयोजयति यत् अनुकरणस्य सटीकतायां कार्यक्षमतायां च महतीं सुधारं करोति ।

एषः उपायः २-१५ दिवसीयं मौसमपूर्वसूचनां जनयति यत् वर्तमानस्य अत्याधुनिकभौतिकप्रतिमानानाम् अपेक्षया अधिकं सटीकं भवति तथा च पारम्परिकवायुमण्डलीयप्रतिमानानाम् अपेक्षया विगत ४० वर्षेषु तापमानस्य अधिकसटीकरूपेण पुनरुत्पादनं करोति

अधिकशक्तिशालिनः, उपयोगाय सुलभाः च जलवायुप्रतिमानाः विकसितुं महत्त्वपूर्णं सोपानं चिह्नयति ।

न्यूरलजीसीएम इत्यनेन २०१९ तमस्य वर्षस्य डिसेम्बर्-मासस्य २६ दिनाङ्कात् २०२० तमस्य वर्षस्य जनवरी-मासस्य ८ दिनाङ्कपर्यन्तं विशिष्टस्य आर्द्रतापरिवर्तनस्य प्रतिरूपस्य अनुकरणं कृतम्

NeuralGCM जलवायुप्रतिरूपणं परिवर्तयति

यद्यपि विगतदशकेषु पारम्परिकजलवायुप्रतिमानानाम् उन्नतिः अभवत् तथापि पृथिव्याः जलवायुः कथं कार्यं करोति, प्रतिमानानाम् निर्माणं कथं भवति इति विषये वैज्ञानिकानां अपूर्णा अवगमनात् ते प्रायः दोषैः पूर्वाग्रहैः च पीडिताः भवन्ति

एते आदर्शाः पृष्ठतः वायुमण्डलपर्यन्तं स्थानं ५०-१०० किलोमीटर् यावत् पार्श्वयोः घनरूपेण विभजन्ति, ततः प्रत्येकस्मिन् घने कालान्तरे मौसमपरिवर्तनस्य पूर्वानुमानं कुर्वन्ति

ततः आदर्शः सामान्यतया स्वीकृतभौतिकनियमानाम् आधारेण वायुस्य आर्द्रतायाः च गतिं गणयति, ये मौसमपूर्वसूचनायाः आधाराः सन्ति

परन्तु समस्या अस्ति यत् ५०-१०० किलोमीटर् यावत् स्केलः वस्तुतः अतीव विशालः अस्ति ।

मेघाः, वर्षा च सहिताः बहवः महत्त्वपूर्णाः जलवायुप्रक्रियाः वर्तमानमाडलयोः (मिलिमीटर् तः किलोमीटर् यावत्) प्रयुक्तानां घन-आकारात् लघुतर-परिमाणेषु भिद्यन्ते

अपि च मेघनिर्माणादिषु केषाञ्चन प्रक्रियाणां विषये वैज्ञानिकानां भौतिकबोधः अपूर्णः अस्ति ।

फलतः एते पारम्परिकाः प्रतिमानाः न केवलं मौलिकसिद्धान्तेषु अवलम्बन्ते अपितु लघु-परिमाणस्य दुर्बोध-प्रक्रियाणां अनुकरणार्थं "पैरामीटर्-करणम्" इति सन्निकर्षं जनयितुं सरल-प्रतिमानानाम् अपि उपयोगं कुर्वन्ति

एते सरलीकृतसन्निकर्षाः भौतिकरूपेण आधारितजलवायुप्रतिमानानाम् सटीकताम् अनिवार्यतया न्यूनीकरोति ।

अतः, NeuralGCM इत्यनेन एतस्याः समस्यायाः समाधानं कथं भवति ?

पारम्परिकप्रतिमानानाम् इव NeuralGCM अद्यापि पृथिव्याः वायुमण्डलं घनरूपेण विभज्य वायुजलगति इत्यादीनां बृहत्प्रक्रियाणां भौतिकशास्त्रस्य गणनां करोति

अन्तरं तु अस्ति यत् NeuralGCM लघु-परिमाणस्य मौसम-परिवर्तनस्य अनुकरणार्थं वैज्ञानिकैः विकसितानां "पैरामेट्रिक"-सन्निकर्षेषु न अवलम्बते, अपितु विद्यमान-मौसम-दत्तांशतः एतेषां घटनानां भौतिक-सिद्धान्तान् ज्ञातुं तंत्रिका-जालस्य उपयोगं करोति

NeuralGCM इत्यस्य एकः प्रमुखः नवीनता अस्ति यत् बृहत्-परिमाणस्य प्रक्रियाणां कृते संख्यात्मक-समाधानकर्ता JAX इत्यस्मिन् आद्यतः पुनः लिखितः अस्ति ।

एतेन शोधकर्तारः बहुकालपदेषु युग्मितप्रणालीनां "ऑनलाइन" व्यवहारं समायोजयितुं ढाल-आधारित-अनुकूलनस्य उपयोगं कर्तुं समर्थाः भवन्ति ।

तस्य विपरीतम्, जलवायुप्रतिमानं वर्धयितुं यन्त्रशिक्षणस्य उपयोगस्य पूर्वप्रयत्नाः संख्यात्मकस्थिरतायाः सह महत्त्वपूर्णानि कष्टानि अनुभवन्ति यतोहि ते "अफलाइन" प्रशिक्षणस्य उपयोगं कुर्वन्ति यत् कालान्तरेण सञ्चितानां लघु-बृहत्-प्रक्रियाणां मध्ये भेदानाम् अवहेलनां करोति

JAX इत्यस्मिन् सम्पूर्णं मॉडल् लेखनस्य अन्यः लाभः अस्ति यत् एतत् TPUs तथा GPUs इत्यत्र कुशलतया चालयति, यदा तु पारम्परिकजलवायुप्रतिरूपाः अधिकतया CPUs इत्यत्र चाल्यन्ते ।

NeuralGCM लघु-परिमाणस्य भौतिकशास्त्रस्य कृते पारम्परिकद्रवगतिविज्ञानसमाधानकर्तृणां तंत्रिकाजालस्य च संयोजनं करोति एते घटकाः कालक्रमेण प्रणाल्याः उन्नतिं कर्तुं विभेदकसमीकरणसमाधानकस्य माध्यमेन एकत्र आनयन्ति

गूगल-दलेन १९७९ तः २०१९ पर्यन्तं ECMWF-मौसम-आँकडानां उपयोगेन ०.७°, १.४°, २.८°-संकल्पेषु NeuralGCM-माडलस्य श्रृङ्खलायाः प्रशिक्षणं कृतम् ।

यद्यपि NeuralGCM मौसमपूर्वसूचनायाः आधारेण प्रशिक्षितं भवति तथापि दलेन NeuralGCM सामान्यवायुमण्डलीयप्रतिरूपरूपेण परिकल्पितम् ।

समीचीनानि मौसमपूर्वसूचनानि जलवायुपूर्वसूचनानि च

गूगल डीपमाइण्ड् इत्यस्य ग्राफकास्ट् सहितं पृथिव्याः वायुमण्डलस्य अद्यतनयन्त्रशिक्षणस्य (ML) प्रतिरूपेषु मौसमस्य पूर्वानुमानस्य क्रान्तिकारी सटीकता प्रदर्शिता अस्ति

अद्यपर्यन्तं एमएल-भविष्यवाणीनां विषये शोधं मुख्यतया अल्पकालीन-अनुमानानाम् उपरि केन्द्रितम् अस्ति, यत् जलवायु-अनुमानानाम् आवश्यकतायाः वर्षाणां दशकानां यावत् दूरम् अस्ति ।

यतो हि बहुदशकजलवायुपूर्वसूचनानां विश्वसनीयतया सत्यापनम् कठिनं भवति, अतः गूगलदलेन जलवायुपरिमाणस्य भविष्यवाणीषु तथा च मौसमप्रतिरूपरूपेण स्थापितस्य WeatherBench 2 बेन्चमार्कस्य उपयोगेन NeuralGCM इत्यस्य कार्यप्रदर्शनस्य मूल्याङ्कनं कृतम्

NeuralGCM इत्यस्य 0.7° रिजोल्यूशनस्य नियतात्मकं प्रतिरूपं मौसमपूर्वसूचनासटीकतायाः दृष्ट्या वर्तमानस्य अत्याधुनिकप्रतिरूपैः सह तुलनीयं भवति, मौसमपूर्वसूचनासटीकता च 5 दिवसान् यावत् भवितुं शक्नोति

परन्तु नियतात्मकप्रतिमानेषु दीर्घकालीनसीसासमये उपयोगीपूर्वसूचनाः कर्तुं आवश्यका परिमाणात्मका अनिश्चिततायाः अभावः भवति ।

पूर्वानुमानसमूहाः किञ्चित् भिन्नप्रारम्भस्थितिभ्यः उत्पद्यन्ते येन समानसंभाव्यमौसमस्थितीनां श्रेणीं उत्पाद्यते । एते समूहाः संभाव्यतावादीनां मौसमपूर्वसूचनाः उत्पादयन्ति ये सामान्यतया नियतात्मकपूर्वसूचनानां अपेक्षया अधिकं सटीकाः भवन्ति ।

1.4° रिजोल्यूशनस्य न्यूरलजीसीएम इत्यस्य एन्सेम्बल् मॉडल् ५ तः १५ दिवसपर्यन्तं भविष्यवाणीसटीकतायाः दृष्ट्या पूर्वस्य SOTA इत्यस्मात् अधिकं प्रदर्शनं करोति ।

इदं कार्यप्रदर्शनसुधारस्य कारणं यत् NeuralGCM इत्यनेन समूहमौसमस्य पूर्वानुमानं उत्पद्यते, यत् ECMWF इत्यस्य भौतिकशास्त्राधारितस्य SOTA मॉडलस्य ECMWF-ENS इत्यस्य तुलनीयम् अस्ति

प्रकाशित एमएल मॉडल् मध्ये NeuralGCM प्रथमं एतत् करोति ।

NeuralGCM इत्यस्य एन्सेम्बल् पूर्वानुमानं 2 तः 15 दिवसपर्यन्तं पूर्वानुमानं 95% समयं ECMWF-ENS इत्यस्मात् अधिकं सटीकं भवति।

जलवायुसमयपरिमाणस्य भविष्यवाणीषु अपि न्यूरलजीसीएम अत्याधुनिकवायुमण्डलीयप्रतिमानानाम् अपेक्षया अधिकं प्रदर्शनं करोति ।

यतो हि NeuralGCM केवलं पृथिव्याः जलवायुस्य वायुमण्डलीयघटकस्य अनुकरणं करोति, अतः गूगलदलेन भौतिकशास्त्राधारितवायुमण्डलीयप्रतिमानैः सह तस्य कार्यक्षमतायाः तुलना कृता ।

१९८० तः २०२० पर्यन्तं तापमानस्य पूर्वानुमानं कुर्वन् NeuralGCM इत्यस्य २.८° नियतात्मकप्रतिरूपस्य औसतदोषः वायुमण्डलीयप्रतिरूपस्य (AMIP) दोषस्य एकतृतीयभागः भवति, अथवा ०.२५ विरुद्धं ०.७५ डिग्री सेल्सियसः

१९८० तः २०२० पर्यन्तं १००० एच्पीए वैश्विक औसततापमानस्य पूर्वानुमानं कर्तुं न्यूरलजीसीएम तथा एएमआईपी इत्येतयोः कार्यप्रदर्शनस्य तुलना

यतो हि पारम्परिकवायुमण्डलीयप्रतिमानानाम् पृथिव्याः वायुमण्डलस्य कतिपयानां पक्षानाम् अनुकरणं कर्तुं कष्टं भवति, जलवायुवैज्ञानिकाः कदाचित् X-SHiELD इत्यादीनां उच्चसंकल्पप्रतिमानानाम् उपयोगं कुर्वन्ति, ये अधिकसटीकाः सन्ति चेदपि गणनादृष्ट्या अधिकं महत्त्वपूर्णाः भवन्ति

X-SHiELD इत्यस्य तुलने NeuralGCM इत्यस्य 1.4° नियतात्मकप्रतिरूपेण राष्ट्रियमहासागरीयवायुमण्डलीयप्रशासनेन (NOAA) प्रदत्तस्य 2020 तमस्य वर्षस्य आर्द्रतायाः तापमानस्य च आँकडानां पूर्वानुमानं कर्तुं 15-50% न्यूना त्रुटिः प्राप्ता

२०२० तमे वर्षे जलवायु-अनुकरणस्य समये न्यूरलजीसीएम इत्यनेन उष्णकटिबंधीयचक्रवात-प्रतिमानानाम् अपि पूर्वानुमानं कृतम् यत् तस्मिन् वर्षे तस्मिन् एव क्षेत्रे अवलोकितानां तूफानानां संख्यायाः तीव्रतायाश्च मेलनं करोति स्म

NeuralGCM इति प्रथमं यन्त्रशिक्षण-आधारितं प्रतिरूपं यत् एतादृशं प्रतिमानं जनयितुं समर्थम् अस्ति ।

NeuralGCM २०२० तमे वर्षे वैश्विकरूपेण उष्णकटिबंधीयचक्रवातस्य पटलानां भविष्यवाणीं करोति (अनुमानितानि तूफानसङ्ख्याः तीव्रता च ECMWF Reanalysis v5 (ERA5) आँकडासमूहे अभिलेखितानां वास्तविकचक्रवातसङ्ख्यानां तीव्रताश्च मेलनं करोति)

मुक्तं, द्रुतं, कुशलं च

NeuralGCM पारम्परिकभौतिकशास्त्राधारितजलवायुप्रतिमानानाम् अपेक्षया गणनागतवेगेन, मूल्ये च परिमाणस्य क्रमेण द्रुततरं भवति ।

अस्य १.४° मॉडल् X-SHiELD इत्यस्मात् ३,५०० गुणाधिकं द्रुततरं भवति, यस्य अर्थः अस्ति यत् यदि शोधकर्तारः X-SHiELD इत्यनेन एकवर्षस्य वायुमण्डलस्य अनुकरणं कुर्वन्ति तर्हि २० दिवसाः यावत् समयः स्यात्, यदा तु NeuralGCM इत्यनेन केवलं ८ निमेषाः भवन्ति

अपि च, वैज्ञानिकानां NeuralGCM चालयितुं केवलं एकेन TPU (Tensor Processing Unit) युक्तस्य सङ्गणकस्य आवश्यकता भवति, यदा तु X-SHiELD चालयितुं 13,000 CPUs (Central Processing Units) सुपरकम्प्यूटरस्य उपयोगः आवश्यकः भवति

समग्रतया, NeuralGCM इत्यस्य उपयोगेन जलवायु-अनुकरणस्य गणनाव्ययः X-SHiELD इत्यस्य अपेक्षया एकलक्षगुणः न्यूनः अस्ति, यत् उच्च-प्रदर्शन-गणनायां २५ वर्षाणां प्रगतेः बराबरम् अस्ति

NeuralGCM अत्याधुनिकभौतिकप्रतिमानानाम् अपेक्षया शीघ्रं वायुमण्डलस्य अनुकरणं करोति तथा च समानसटीकतया भविष्यवाणीं जनयति

अस्मिन् चार्टे NeuralGCM द्वयोः भौतिकमाडलयोः NCAR CAM तथा NOAA X-SHiELD इत्यनेन सह स्पर्धां करोति, यत्र तेषां गणनासमयस्य ३० सेकेण्ड् मध्ये उत्पद्यमानानां वायुमण्डलीयसिमुलेशनदिनानां संख्यायाः तुलना भवति

त्रयः मॉडलाः भिन्न-भिन्न-संकल्पेषु चाल्यन्ते, यत्र X-SHiELD इत्यस्य रिजोल्यूशनं सर्वाधिकं (0.03°), NCAR CAM6 इत्यस्य रिजोल्यूशनं 1.0°, NeuralGCM इत्यस्य रिजोल्यूशनं (1.4°) न्यूनतमं भवति

ज्ञातव्यं यत् यद्यपि NeuralGCM न्यूनसंकल्पेन चाल्यते तथापि तस्य सटीकता उच्चसंकल्पयुक्तैः मॉडलैः सह तुलनीया अस्ति ।

ततः तुलनीयसटीकतया द्रष्टुं शक्यते यत् NeuralGCM 30 सेकेण्ड् मध्ये 22.8 दिवसानां वायुमण्डलीय-अनुकरणं जनयितुं शक्नोति, यदा तु X-SHiELD, उच्च-संकल्प-भौतिक-प्रतिरूपस्य रूपेण यत् सुपरकम्प्यूटरे अवश्यं चालनीयम्, इदं केवलं 9 कृते एव उत्पन्नं कर्तुं शक्यते पन्चनिमेषः!

एतेन एनसीएआर सीएएम६ इत्यस्य लाभाः अपि समाप्ताः भवन्ति, यत् पूर्वं न्यूनगणनाव्ययस्य कारणेन शोधकर्तृभिः अनुकूलम् आसीत् ।

गूगल-दलेन अव्यावसायिक-उपयोगाय GitHub-इत्यत्र NeuralGCM-इत्यस्य स्रोत-सङ्केतं, मॉडल-भारं ​​च प्रकटितम् अस्ति । ते आशान्ति यत् अन्ये शोधकर्तारः परिकल्पनानां परीक्षणार्थं नूतनानि घटकानि सहजतया योजयितुं शक्नुवन्ति तथा च आदर्शकार्यक्षमतां सुधारयितुं शक्नुवन्ति।

तदतिरिक्तं यतोहि NeuralGCM लैपटॉपे चालयितुं शक्यते तथा च सुपरकम्प्यूटरस्य समर्थनस्य आवश्यकता नास्ति, अधिकाः जलवायुसंशोधकाः स्वकार्य्ये एतस्य अत्याधुनिकप्रतिरूपस्य उपयोगं कर्तुं समर्थाः सन्ति

निष्कर्षाः भविष्यदिशाश्च

न्यूरलजीसीएम सम्प्रति केवलं पृथिव्याः वायुमण्डलस्य प्रतिरूपणं करोति, परन्तु गूगल-दलस्य आशा अस्ति यत् अन्ते पृथिव्याः जलवायुव्यवस्थायाः अन्ये पक्षाः, यथा समुद्राः, कार्बनचक्रं च प्रतिरूपे समावेशयितुं शक्नुवन्ति

एवं प्रकारेण NeuralGCM दीर्घकालं यावत् पूर्वानुमानं कर्तुं समर्थः भविष्यति, न केवलं दिवसेषु सप्ताहेषु च मौसमस्य पूर्वानुमानं कर्तुं शक्नोति, अपितु जलवायुसमयमापदण्डेषु अपि।

सर्वेषु सर्वेषु, NeuralGCM जलवायुप्रतिमाननिर्माणस्य नूतनं मार्गं प्रस्तावयति यत् विद्यमानप्रतिमानानाम् अपेक्षया द्रुततरं, न्यूनगणनात्मकरूपेण महत्तरं, अधिकसटीकं च भवितुम् अर्हति

सन्दर्भाः : १.

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

https://research.google/blog/द्रुत-सटीक-जलवायु-प्रतिरूपण-सह-न्यूरलजीसीएम/

https://x.com/sundarpichai/status/1815512751793721649