شبیه‌سازی داده‌های آب‌وهوایی با هزینه ۱/۳۰۰ مدل‌های سنتی

اگر پژوهشگر اقلیم هستید، اکنون می‌توانید داده‌های باکیفیت طوفان‌های شدید را بدون نیاز به بودجه‌های نجومی ابررایانه‌ها تولید کنید. سامانه HiRO-ACEv2 هزینه شبیه‌سازی داده‌های آب‌وهوایی با تفکیک ۳ کیلومتر را به تقریباً ۱/۳۰۰ هزینه‌ی مدل‌های سنتی کاهش داده است. در حالی که مدل X-SHiELD به توان محاسباتی عظیمی نیاز دارد، این ابزار جدید امکان شبیه‌سازی رویدادهای شدید باران، باد و فشار را با هزینه‌ای بسیار اندک فراهم می‌کند.

طبق اعلام توسعه‌دهندگان در ۱۴ اکتبر ۲۰۲۶، این سیستم به‌روزرسانی شده امکان تولید داده‌های اقلیمی جهانی با تفکیک ۳ کیلومتر را به‌گونه‌ای فراهم می‌کند که دسترسی به تحلیل‌های دقیق برای مراکز کوچک‌تر نیز ممکن شود. شبیه‌سازی‌های با تفکیک بالا همواره یک موازنه بین جزئیات و بودجه بوده‌اند؛ مدل‌هایی مثل X-SHiELD برای شبیه‌سازی صریح طوفان‌های کوچک و سایر پدیده‌های مقیاس کوچک آب‌وهوایی بسیار گران هستند و برای مطالعات بلندمدت هزینه‌ای بازدارنده دارند. این وضعیت شبیه این است که بخواهید یک دهه از آب‌وهوای جهان را با کیفیت 4K فیلم‌برداری کنید، در حالی که اکثر پژوهشگران فقط توان مالی گرفتن چند عکس کم‌کیفیت (با تفکیک پایین) را دارند. HiRO-ACEv2 با استفاده از هوش مصنوعی زاینده (Generative AI) — که مثل هنرمندی است که با دیدن یک طرح کلی، جزئیات دقیق را به آن اضافه می‌کند — داده‌های خشن را به جزئیات ریز «ارتقا» (Upscale) می‌کند.

همان‌طور که در تحلیل‌های پیشین ما درباره‌ی بهینه‌سازی محاسبات مدل‌های علمی اشاره کردیم، کاهش هزینه استنتاج کلید دموکراتیزه کردن علم است. این سامانه در دو مرحله عمل می‌کند: ابتدا ACE (یک شبیه‌ساز هوش مصنوعی) الگوهای اقلیمی جهانی را با تفکیک خشن ۱۰۰ کیلومتر تولید می‌کند. سپس HiROv2 به‌عنوان یک مدل کاهش مقیاس (Downscaling)، این خروجی‌ها را تیزتر کرده و به تفکیک ۳ کیلومتر می‌رساند.

این رویکرد دو مرحله‌ای باعث می‌شود زیربنای داده‌های بلندمدت حفظ شود. در یک شبیه‌سازی ۱۰ ساله، هریکان‌های تولید شده توسط ACE، الگوهای اقلیمی متوسط و توزیع کلی باران، باد و فشار همگی به‌خوبی با نتایج مدل X-SHiELD هم‌راستا هستند. این تلاش برای افزایش دقت در پیش‌بینی‌های اقلیمی، در راستای رویکردهایی است که با اصلاح سوگیری‌های سیستماتیک سعی در گسترش بازه پیش‌بینی‌های هواشناسی دارند.

بر اساس گزارش منتشر شده در huggingface.co، نسخه دوم این سیستم بهبودهای حیاتی زیر را به همراه دارد:

• پیش‌بینی چندمیدانی: برخلاف نسخه قبلی، HiROv2 به‌جای تمرکز صرف بر بارندگی، چندین میدان داده با تفکیک بالا را به‌طور هم‌زمان پیش‌بینی می‌کند تا طیف گسترده‌تری از آب‌وهوای شدید را ثبت کند.
• دقت در رویدادهای حدی: آمارهای مدل در رویدادهای بسیار نادر (که تنها یک بار در هر میلیون نقطه داده رخ می‌دهند) با دقت ۳٪ با X-SHiELD مطابقت دارد.
• واقع‌گرایی ساختاری: مدل می‌تواند چشم هریکان‌ها و باندهای بارانی را به‌صورت واقع‌گرایانه تولید کند و جریان‌های شدید باد در دامنه‌های کوهستانی را به‌دقت شبیه‌سازی نماید.
• تخمین انرژی: این سیستم انرژی کل سیکلون‌های گرمسیری را به‌درستی تخمین می‌زند، حتی برای طوفان‌هایی که در مرحله آموزش هرگز با آن‌ها مواجه نشده است.

در یک شبیه‌سازی ۱۰ ساله، انرژی هریکان‌ها و الگوهای اقلیمی متوسط این سیستم با X-SHiELD هم‌راستا بود. تیم سازنده برای اعتبارسنجی، یک سال کامل داده‌های ۳ کیلومتری جهانی را تولید کرد؛ در این آزمایش، آن‌ها به‌جای استفاده از داده‌های واقعی X-SHiELD، از شبیه‌سازی‌های خودِ ACE به‌عنوان زیربنا استفاده کردند تا استقلال و کارایی مدل را بسنجند.

با این حال، طبق گزارش فنی، هنوز نقص‌هایی وجود دارد. برای مثال، بادها و فشار در اطراف چشم هریکان‌های تولید شده، نسبت به مدل X-SHiELD کمی نامتقارن‌تر و نامتعادل‌تر هستند.

این تغییر متدولوژی به این معناست که اگر پژوهشگری فقط به داده‌های یک منطقه خاص نیاز داشته باشد، صرفه‌جویی در هزینه‌ها بسته به اندازه منطقه، می‌تواند بیش از ۱۰۰ برابر بیشتر از هزینه اصلی باشد. تیم توسعه در حال ساخت نسخه‌ای بهینه و ساده‌شده از HiROv2 است تا سرعت استنتاج (Inference) — یعنی همان لحظه تولید جواب توسط مدل — را ۱۰ برابر دیگر افزایش دهد.

برای کمک به کاربران در بصری‌سازی این نتایج، یک دموی وب طراحی شده است. این ابزار خروجی‌های پیش‌تولید شده‌ی بارندگی، باد و فشار سطح دریا را در HiROv1 و HiROv2 در کنار X-SHiELD به‌صورت موازی نمایش می‌دهد. کاربران می‌توانند روی مناطق خاصی که مورد علاقه آن‌هاست زوم کنند تا عملکرد مدل را به‌صورت بصری قضاوت کنند، که این امر مکمل داده‌های کمی موجود در گزارش فنی است.

این پیشرفت «دیوار محاسباتی» را برای تحلیل‌های بلندمدت آب‌وهوایی می‌شکند. حالا پژوهشگران می‌توانند ده‌ها نسخه ۱۰ ساله از اقلیم را برای تست فرضیات خود درباره‌ی فراوانی و شدت طوفان‌ها تولید کنند، بدون اینکه به بودجه یک ابررایانه نیاز داشته باشند.

البته یک محدودیت جدی وجود دارد: این سیستم فعلاً به‌طور خاص روی X-SHiELD تنظیم شده است. بنابراین نمی‌تواند داده‌های با تفکیک بالا برای سوابق تاریخی مانند ERA5 تولید کند یا اقلیم گرم‌تر آینده را شبیه‌سازی نماید.

برای حل این مشکل، توسعه‌دهندگان قصد دارند مدل را روی مجموعه‌داده‌های جدید، از جمله شبیه‌سازی دنیایی با دمای ۴ درجه سانتی‌گراد گرم‌تر، آموزش دهند. همچنین قصد دارند خروجی‌های مربوط به برف، یخ و دمای نزدیک به سطح زمین را اضافه کنند تا کاربردهای جدیدی مانند پیش‌بینی ذخایر برفی (Snowpack) ممکن شود.

گام بعدی شما

• اگر در حوزه علوم داده یا اقلیم فعالیت می‌کنید، دموی وب HiRO-ACEv2 را برای مقایسه بصری داده‌ها بررسی کنید.
• در مورد مدل‌های Downscaling در هوش مصنوعی مطالعه کنید تا متوجه شوید چگونه داده‌های کم‌کیفیت به باکیفیت تبدیل می‌شوند.
• منتظر به‌روزرسانی‌های مربوط به شبیه‌سازی‌های اقلیمی گرم‌تر (۴ درجه+) باشید.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.