समाचारं

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

स्मार्ट वस्तूनि (सार्वजनिकलेखः : १.झीड्क्सकोम्）
मेंग कियाङ्ग द्वारा संकलित
सम्पादक युनपेङ्ग

बुद्धिमान् वस्तूनि २४ जुलै दिनाङ्के ज्ञापितवन्तः यत् गूगलेन २३ जुलै दिनाङ्के नेचर इत्यत्र एकं पत्रं प्रकाशितम्, यस्मिन् यूरोपीय-मध्यम-परिधि-मौसम-पूर्वसूचना-केन्द्रस्य (ECMWF) सहकारेण विकसितस्य NeuralGCM वायुमण्डलीय-प्रतिरूपस्य परिचयः कृतः अस्ति मौसमस्य जलवायुस्य च पूर्वानुमानं कर्तुं आदर्शानां सटीकतायां कार्यक्षमतायाः च उन्नयनार्थं शिक्षणं संयोजितं भवति ।

पत्रं दर्शयति यत् NeuralGCM इत्यस्य पूर्वानुमानस्य सटीकता १ तः १५ दिवसपर्यन्तं ECMWF इत्यस्य तुलनीयम् अस्ति, यस्य समुद्रपृष्ठस्य तापमानं योजयित्वा विश्वस्य सर्वाधिकं उन्नतं पारम्परिकं भौतिकमौसमपूर्वसूचनाप्रतिरूपं वर्तते, NeuralGCM इत्यस्य ४० वर्षीयजलवायुपूर्वसूचनापरिणामाः ECMWF इत्यस्मात् सङ्गताः सन्ति data प्राप्ताः वैश्विकतापप्रवृत्तयः सुसंगताः सन्ति;

उल्लेखनीयं यत् NeuralGCM वेगस्य दृष्ट्या अपि "दूरं अग्रे" अस्ति यत् एतत् गणनासमये ३० सेकेण्ड् मध्ये २२.८ दिवसानां वायुमण्डलीय-अनुकरणं जनयितुं शक्नोति, तथा च गणना-व्ययः पारम्परिक-जीसीएम-अपेक्षया एकलक्षगुणः न्यूनः अस्ति यन्त्रशिक्षणस्य आधारेण प्रथमजलवायुप्रतिरूपत्वेन NeuralGCM इत्यनेन पूर्वानुमानस्य सटीकतायां कार्यक्षमतायाः च दृष्ट्या मौसमस्य पूर्वानुमानं जलवायुअनुकरणं च नूतनस्तरं प्रति उन्नतं कृतम् अस्ति

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

1. यन्त्रशिक्षणं जलवायुप्रतिरूपपरिवर्तनं चालयति

पृथिवी अभूतपूर्ववेगेन तापयति, अन्तिमेषु वर्षेषु चरममौसमः बहुधा अभवत् इति विश्वमौसमसङ्गठनेन उक्तं यत् २०२३ वर्षं अभिलेखेषु सर्वाधिकं उष्णं वर्षं भविष्यति, २०२४ तमः वर्षः अपि अधिकं उष्णः भवितुम् अर्हति नित्यं अत्यन्तं मौसमस्य सन्दर्भे जलवायुपूर्वसूचनस्य महत्त्वं विशेषतया प्रमुखं भवति ।

सामान्यसञ्चारप्रतिरूपं (GCM) मौसमस्य जलवायुस्य च पूर्वानुमानस्य आधारः अस्ति तथा च भौतिकशास्त्रस्य आधारेण पृथिव्याः वायुमण्डलस्य जलवायुव्यवस्थायाः च अनुकरणाय, पूर्वानुमानाय च प्रयुक्तं पारम्परिकं प्रतिरूपम् अस्ति पृथिव्याः वायुमण्डलं, समुद्राः, भूमिः, हिमपाताः इत्यादीनां भौतिकप्रक्रियाणां अनुकरणं कृत्वा जीसीएम दीर्घकालीनमौसमस्य जलवायुस्य च पूर्वानुमानं दातुं शक्नोति यद्यपि दशकैः पारम्परिकजलवायुप्रतिमानानाम् उन्नतिः भवति तथापि पृथिव्याः जलवायुः कथं कार्यं करोति, प्रतिरूपाः कथं निर्मीयन्ते इति विषये वैज्ञानिकानां अपूर्णा अवगमनात् ते प्रायः दोषैः पूर्वाग्रहैः च पीडिताः भवन्ति

गूगलस्य वरिष्ठः अभियंता स्टीफन् होयर् इत्यनेन उक्तं यत् पारम्परिकः जीसीएम पृथिवीं पृष्ठतः वायुमण्डलपर्यन्तं विस्तृतेषु घनेषु विभजति, यस्य पार्श्वदीर्घता प्रायः ५०-१०० किलोमीटर् भवति, अस्य आधारेण च प्रत्येकस्मिन् घने कालान्तरे मौसमपरिवर्तनस्य पूर्वानुमानं करोति . ते भौतिकशास्त्रस्य नियमानाम् आधारेण वायु-आर्द्रतायोः गतिशीलपरिवर्तनानां गणनां कृत्वा स्वभविष्यवाणीं प्राप्नुवन्ति । परन्तु मेघनिर्माणं वर्षा इत्यादयः बहवः महत्त्वपूर्णाः जलवायुप्रक्रियाः मिलीमीटर्तः किलोमीटर्पर्यन्तं स्केलरूपेण भिद्यन्ते, यत् वर्तमानकाले जीसीएम-मध्ये प्रयुक्तस्य घन-आकारस्य अपेक्षया बहु लघु भवति, अतः भौतिकशास्त्रस्य आधारेण समीचीनतया गणना कर्तुं न शक्यते

तदतिरिक्तं वैज्ञानिकानां केषाञ्चन प्रक्रियाणां सम्पूर्णा भौतिकबोधः नास्ति, यथा मेघाः कथं निर्मीयन्ते इति । अतः एते पारम्परिकाः प्रतिमानाः पूर्णतया भौतिकसिद्धान्तेषु न अवलम्बन्ते, अपितु मौसमगतिविज्ञानस्य मापदण्डं जनयितुं सरलीकृतप्रतिमानानाम् उपयोगं कुर्वन्ति, परन्तु एषः उपायः जीसीएम-सटीकताम् न्यूनीकरोति

पारम्परिकप्रतिमानानाम् इव NeuralGCM पृथिव्याः वायुमण्डलं घनरूपेण विभजति तथा च वायुगतिः जलस्य गतिः इत्यादीनां बृहत्परिमाणस्य परिवर्तनशीलप्रक्रियाणां भौतिकगुणानां गणनां करोति परन्तु मेघनिर्माणादिलघु-परिमाणस्य मौसमगतिविज्ञानस्य कृते NeuralGCM पारम्परिक-मापदण्डस्य उपयोगं न करोति, अपितु विद्यमान-मौसम-दत्तांशतः एतेषां मौसम-गतिशीलतायाः भौतिक-लक्षणं ज्ञातुं तंत्रिका-जालस्य उपयोगं करोति

होयर इत्यनेन प्रकटितं यत् NeuralGCM इत्यस्य एकः प्रमुखः नवीनता अस्ति यत् गूगलेन JAX इत्यस्मिन् आद्यतः एव बृहत्-परिमाण-परिवर्तन-प्रक्रियाणां कृते संख्यात्मक-समाधानकं लिखितम्, यत् ढाल-आधारित-अनुकूलनस्य उपयोगेन मॉडलं “ऑनलाइन” समायोजितुं समर्थं करोति JAX इत्यस्मिन् सम्पूर्णं मॉडल् लेखनस्य अन्यः लाभः अस्ति यत् मॉडल् TPUs तथा GPUs इत्यत्र कुशलतया चालयितुं शक्नोति, यदा तु पारम्परिकजलवायु मॉडल् अधिकतया CPUs इत्यत्र चालयितुं शक्नोति

2. वर्तमानस्य अत्याधुनिकप्रतिरूपस्य अपेक्षया पूर्वानुमानस्य सटीकता श्रेष्ठा अस्ति

पत्रं दर्शयति यत् NeuralGCM इत्यस्य नियतात्मकप्रतिरूपस्य (एकं, नियतात्मकं पूर्वानुमानपरिणामं निर्गच्छन्) 0.7° रिजोल्यूशनस्य प्रदर्शनं वर्तमानस्य अत्याधुनिकप्रतिरूपैः सह तुलनीयम् अस्ति, तथा च मौसमपूर्वसूचनासटीकता 5 दिवसान् यावत् प्राप्तुं शक्नोति।

नियतात्मकप्रतिमानाः जलवायुव्यवस्थायाः भविष्यस्य अवस्थानां विविधतां पूर्णतया न प्रतिनिधियन्ति यतोहि ते केवलं एकं भविष्यवाणीपरिणामं ददति अतः जलवायुपूर्वसूचनासु समूहपूर्वसूचनाः प्रवर्तन्ते, ये प्रारम्भिकस्थितीनां किञ्चित् भिन्नसमूहस्य आधारेण सम्भाव्यमौसमपरिदृश्यानां श्रृङ्खलां जनयन्ति . पत्रे उक्तं यत् NeuralGCM इत्यस्य १.४° रिजोल्यूशन एन्सेम्बल् पूर्वानुमानप्रतिरूपं ५ तः १५ दिवसपर्यन्तं पूर्वानुमानसटीकतायाः दृष्ट्या वर्तमानस्य अत्याधुनिकप्रतिरूपेभ्यः अधिकं प्रदर्शनं करोति

तदतिरिक्तं दीर्घकालं यावत् NeuralGCM इत्यस्य जलवायुपूर्वसूचनासटीकता वर्तमानस्य अत्याधुनिकप्रतिमानानाम् अपेक्षया अपि अधिका अस्ति । १९८० तः २०२० पर्यन्तं ४० वर्षाणां अवधिषु तापमानस्य पूर्वानुमानं कुर्वन् न्यूरलजीसीएम इत्यस्य २.८° नियतात्मकप्रतिरूपे केवलं ०.२५ डिग्री सेल्सियसस्य औसतदोषः आसीत्, यत् वायुमण्डलीयप्रतिरूपान्तरतुलनापरियोजनायाः (AMIP) दोषस्य एकतृतीयभागः आसीत्

3. एकवर्षस्य वायुमण्डलीयगतिशीलसिमुलेशनं 8 निमेषेषु सम्पन्नं कुर्वन्तु

होयर् इत्यनेन उक्तं यत् न्यूरलजीसीएम इत्यस्य गणनावेगः पारम्परिकजीसीएम इत्यस्य अपेक्षया अनेकक्रमाः द्रुततरः भवति, गणनाव्ययः अपि न्यूनः भवति NeuralGCM इत्यस्य १.४° मॉडल् उच्च-सटीक-जलवायु-माडलस्य X-SHiELD इत्यस्मात् ३,५०० गुणाधिकं द्रुततरम् अस्ति । अन्येषु शब्देषु, X-SHiELD इत्यस्य उपयोगेन वायुमण्डलीयगतिविज्ञानस्य एकवर्षस्य अनुकरणाय शोधकर्तृभ्यः २० दिवसाः यावत् समयः अभवत्, परन्तु NeuralGCM इत्यस्य उपयोगेन केवलं ८ निमेषाः यावत् समयः अभवत् ।

तदतिरिक्तं X-SHiELD चालयितुं शोधकर्तृभिः १३,००० CPU युक्तस्य सुपरकम्प्यूटरस्य प्रवेशस्य अनुरोधः करणीयः, यदा तु NeuralGCM चालयितुं केवलं एकेन TPU युक्तस्य सङ्गणकस्य आवश्यकता भवति होयर् इत्यनेन उक्तं यत् NeuralGCM इत्यस्य उपयोगेन जलवायु अनुकरणस्य गणनाव्ययः X-SHiELD इत्यस्य उपयोगस्य एकलक्षगुणं भवति।

निष्कर्षः - अधिकं मुक्तं, द्रुतं, कुशलं च जलवायुपूर्वसूचनाप्रतिरूपं प्रति

गूगल रिसर्च-दलेन NeuralGCM इत्यस्य स्रोत-सङ्केतं, मॉडल-भारं ​​च GitHub-इत्यत्र गैर-व्यावसायिक-उपयोगाय सार्वजनिकं कृतम् अस्ति, गूगलस्य आशा अस्ति यत् विश्वस्य शोधकर्तारः अस्य मॉडलस्य परीक्षणे सुधारणे च सक्रियरूपेण भागं गृह्णीयुः इति। NeuralGCM लैपटॉपे चालयितुं शक्यते, अतः आशास्ति यत् अधिकाः जलवायुसंशोधकाः स्वकार्य्ये अस्य मॉडलस्य उपयोगं करिष्यन्ति।

सम्प्रति NeuralGCM केवलं पृथिव्याः वायुमण्डलस्य अनुकरणं करोति, परन्तु गूगलः भविष्ये अन्यजलवायुप्रणाल्याः, यथा समुद्राः, कार्बनचक्रं च, मॉडले समावेशयितुं आशास्ति यद्यपि NeuralGCM अद्यापि सम्पूर्णं जलवायुप्रतिरूपं नास्ति तथापि तस्य उद्भवेन जलवायुपूर्वसूचनायाः कृते नूतनाः विचाराः प्राप्यन्ते भविष्ये एआइ जलवायुपूर्वसूचनायाः सटीकतायां गतिं च अधिकं सुधारयितुम् अपेक्षयामः।

स्रोतः - गूगल, प्रकृति