آیا اصلاح سوگیری‌های سیستماتیک، پیش‌بینی ۶ هفته‌ای هواشناسی را ممکن می‌کند؟

پیش‌بینی پدیده‌های حدی آب‌وهوایی فراتر از بازه دو هفته‌ای، سال‌هاست که نقطه شکست مدل‌های فیزیکی و هوش مصنوعی بوده است؛ اما حالا مایکروسافت مدعی است که این شکاف قابلیت اطمینان را پر کرده است. در ۱۴ اکتبر ۲۰۲۶، پژوهشگران این شرکت متدی جدید را در مجله Nature منتشر کردند که بازه پیش‌بینی‌های دقیق را تا ۶ هفته گسترش می‌دهد.

شکاف پیش‌بینی

طبق گزارش این پژوهش، پیش‌بینی‌های سنتی برای شبیه‌سازی فیزیک جوی به ابررایانه‌ها و برای یافتن الگوهای تاریخی در داده‌ها به واحد پردازش گرافیکی (GPU) متکی هستند. هر دو روش هنگام پر کردن شکاف‌های داده‌ای در مناطق کم‌داده یا مواجهه با پدیده‌های پیچیده جوی که دانشمندان هنوز در حال درک آن‌ها هستند، دچار سوگیری الگوریتمی (Algorithmic Bias) می‌شوند. این تقریب‌ها باعث انباشت خطا در طول زمان شده و هرچه بازه پیش‌بینی طولانی‌تر شود، دقت مدل‌ها کمتر می‌شود.

این چالش بازتاب‌دهنده تقلاهای گسترده‌تر برای دستیابی به حاکمیت تکنولوژیک در زیرساخت‌های عمومی است؛ مشابه اتفاقی که اخیراً در سازمان مالیات هلند رخ داد و این سازمان برای بازپس‌گیری کنترل داده‌های خود، از پشته‌های نرم‌افزاری انحصاری Microsoft 365 فاصله گرفت.

راهکار مایکروسافت که اصلاح سوگیری احتمالی (Probabilistic Bias Correction یا PBC) نام دارد، قصد جایگزینی مدل‌های موجود را ندارد. در عوض، این ابزار به عنوان یک لایه اصلاحی عمل می‌کند که خطاهای سیستماتیک را شناسایی و رفع می‌کند. برای مثال، PBC می‌تواند اثرات تغییرات اقلیمی را با اصلاح مدل‌هایی که بر اساس سوابق دمایی سردتر (پیش از افزایش گازهای گلخانه‌ای ناشی از سوخت‌های فسیلی که سیاره را گرم کرده‌اند) آموزش دیده‌اند، خنثی کند.

عملکرد فنی و دسترسی

بر اساس مستندات منتشر شده در Nature، چارچوب PBC هنگام اعمال بر مدل‌های مرکز اروپایی پیش‌بینی‌های میان‌مدت آب‌وهوا (ECMWF) به نتایج زیر دست یافت:

• بهبود اهداف بارش در ۹۸٪ موارد.
• بهبود اهداف دمایی در ۹۲٪ موارد.
• دو برابر کردن دقت سیستم پیش‌بینی AI فعلی ECMWF.

پیش از انتشار این مقاله، ECMWF ارزش این پژوهش را تشخیص داده و به نویسندگان آن در رقابت AI Weather Quest جایزه اعطا کرده بود. متیو چانتری، مدیر استراتژیک یادگیری ماشین در ECMWF، اشاره کرد که این مقاله نمونه‌ای عالی از ایده‌های توسعه‌یافته برای نفع و بررسی جامعه علمی است، هرچند او هشدار داد که تبدیل این ایده‌ها به یک فرآیند عملیاتی همچنان گامی چالش‌برانگیز است.

برخلاف هوش مصنوعی زاینده (Generative AI) یا شبیه‌سازی‌های فیزیکی سنگین، PBC به قدری سبک است که روی CPUهای استاندارد اجرا شود. این ویژگی نیاز به خوشه‌های گران‌قیمت GPU را حذف کرده و به دانشمندان در مناطق در حال توسعه اقتصادی اجازه می‌دهد مدل‌ها را برای نیازهای محلی خاص خود پیکربندی کنند. این رویکرد در بهینه‌سازی پیش‌بینی‌های تخصصی مشابه است با مدل هوش مصنوعی گوگل که در پیش‌بینی بستری‌های آنفلوانزا به دقت بالایی دست یافت.

لستر مکی، پژوهشگر ارشد در Microsoft Research New England، تأکید می‌کند که این بهره‌وری در منابع، کلید بهبود هشدارهای زودهنگام برای آب‌وهوای حدی است. او ابراز امیدواری کرد که هم بهره‌وری منابع افزایش یابد و هم قابلیت اطمینان پیش‌بینی‌ها گسترش پیدا کند. این ابزار اکنون به صورت نرم‌افزار متن‌باز منتشر شده تا پذیرش آن در جامعه علمی تسریع شود.

این چرخش، معیار موفقیت در AI هواشناسی را از «ساخت بزرگ‌ترین مدل» به «بهینه‌سازی مدل‌های موجود» تغییر می‌دهد. با تمرکز بر اصلاح سوگیری به جای شبیه‌سازی خام، مایکروسافت سد ورود به هواشناسی با دقت بالا را پایین آورده است. نتیجه ثانویه این اقدام، دموکراتیزه کردن تاب‌آوری اقلیمی است، به‌طوری که سازمان‌های محلی دیگر به بودجه‌های محاسباتی ابرقدرت‌های جهانی وابسته نباشند. این تمرکز بر کاربردهای عملی و بهینه، در تضاد با برخی پیش‌بینی‌های بدبینانه است، مانند تحلیل دارون عجم‌اوغلو که رشد تولید ناخالص داخلی جهانی بر اثر AI را بسیار محدود ارزیابی کرده است.

ژنویو فلسپوهلر، یکی از نویسندگان مقاله و مدیر اجرایی Rhiza Research، در حال حاضر PBC را با سازمان هواشناسی کنیا آزمایش می‌کند. این ابتکار که توسط بنیاد گیتس تأمین مالی شده، هدفش ارائه هشدارهای زودهنگام دقیق‌تر پیش از فصل بارندگی‌های شدید است که توسط یک پدیده ال‌نینو رکوردشکن هدایت می‌شود.

اکنون باید منتظر ماند و دید که آیا ادغام عملیاتی PBC در خدمات ملی هواشناسی شرق آفریقا، این دستاوردهای دقت تئوریک را به نجات جان انسان‌ها در طول بلایای اقلیمی تبدیل می‌کند یا خیر.

گام بعدی شما

• پژوهشگران حوزه اقلیم می‌توانند مخزن متن‌باز PBC را برای اصلاح مدل‌های محلی خود بررسی کنند.
• دنبال کنید که آیا ادغام عملیاتی PBC در خدمات ملی شرق آفریقا منجر به کاهش تلفات در بلایای اقلیمی می‌شود یا خیر.
• بررسی کنید که چگونه لایه‌های اصلاحی (Corrective Layers) می‌توانند جایگزین آموزش مجدد مدل‌های سنگین شوند.

اما تأثیر این رویکرد بر کاهش هزینه‌های زیرساختی در سایر حوزه‌های پیش‌بینی را در گزارش‌های آینده بررسی خواهیم کرد.