DeepMind दीर्घकाळाच्या चक्रीवादळ अंदाजातील तफावतीला लक्ष्य करत आहे

Google DeepMind ने WeatherNext Cyclones, म्हणजेच WN-C, ही एक कृत्रिम बुद्धिमत्ता प्रणाली सादर केली आहे, जी उष्णकटिबंधीय चक्रीवादळांचा अंदाज वादळ कुठे जाईल आणि किती तीव्र होईल, हे दोन्ही भाकीत करून लावण्यासाठी तयार करण्यात आली आहे. हे संयोजन महत्त्वाचे आहे, कारण कार्यकारी हवामान अंदाज दीर्घकाळ दोन ताकदींमध्ये विभागले गेले आहेत: काही मॉडेल्स वादळाच्या मार्गांमध्ये चांगले असतात, तर काही तीव्रतेत चांगले असतात. दिलेल्या अहवालानुसार, WN-C हे दोन्ही काम एका प्रणालीत हाताळण्यासाठी तयार आहे आणि चाचण्यांमध्ये आघाडीच्या कार्यकारी पद्धतींपेक्षा सुमारे एक दिवस अधिक उपयुक्त अंदाज कौशल्य दाखवले आहे.

हे मॉडेल U.S. National Hurricane Center, Cooperative Institute for Research in the Atmosphere, आणि UK Met Office यांच्या सहकार्याने विकसित करण्यात आले. DeepMind जून 2025 पासून Google च्या Weather Lab वर थेट अंदाजही चालवत आहे, यावरून ही प्रणाली केवळ संशोधन प्रदर्शन नसून कार्यकारी निर्णय-समर्थन साधनाकडे अधिक जवळची आहे, असे दिसते.

चक्रीवादळाची तीव्रता अजूनही कठीण समस्या का आहे

उष्णकटिबंधीय चक्रीवादळांचा अंदाज दशकानुदशके सुधारत गेला आहे, पण सर्व कामांमध्ये समान नाही. वादळाचा मार्ग भाकीत करणे हे त्याच्या ताकदीत होणाऱ्या जलद बदलांचा अंदाज लावण्यापेक्षा सर्वसाधारणपणे अधिक विश्वासार्ह झाले आहे. दिलेल्या स्रोतामध्ये हे आजच्या मॉडेल परिसंस्थेत अंतर्भूत असलेला एक tradeoff म्हणून वर्णन केले आहे. European Centre for Medium-Range Weather Forecasts ensemble सारख्या जागतिक प्रणाली मार्गदर्शनात मजबूत असतात, पण त्यांचे coarse resolution तीव्रता अचूकपणे पकडण्याची क्षमता मर्यादित करते. NOAA चे Hurricane Analysis and Forecast System सारखे प्रादेशिक तज्ज्ञ मॉडेल्स तीव्रतेचे अंदाज अधिक सूक्ष्म करू शकतात, पण त्यासाठी मार्ग कामगिरीत तडजोड करावी लागू शकते.

हा tradeoff सैद्धांतिक नाही. आपत्कालीन व्यवस्थापक, विमा कंपन्या, युटिलिटीज, बंदर चालवणारे आणि स्थानिक अधिकारी यांना अनेकदा एकाच वेळी दोन उत्तरांची गरज असते: वादळ धडकणार का, आणि ते हलक्या चक्रीवादळासारखे येईल की वेगाने तीव्र होत असलेला मोठा धोका बनेल. जर एक मॉडेल एकाच workflow मध्ये दोन्ही सुधारू शकले, तर अंदाज संचालन सोपे होऊ शकते आणि सर्वात महत्त्वाच्या तयारीच्या काळात अनिश्चितता कमी होऊ शकते.

XPeng is developing the IRON humanoid robot.
More in AI & Robotics

XPeng च्या रोबोट युनिट Dogotix ने ह्युमनॉइड्स वाढवण्यासाठी $900 दशलक्ष उभारले

XPeng Motors ची humanoid robotics उपकंपनी Dogotix म्हणते की नवीन निधी hardware, software, physical AI training, उत्पादन, आणि जागतिक विस्तारासाठी वापरला जाईल.

Read article

नोंदवलेले फायदे कसे दिसतात

candidate source नुसार, WN-C ने मार्ग आणि तीव्रता या दोन्ही metrics मध्ये comparator systems पेक्षा चांगली कामगिरी केली. पाच दिवसांच्या अंदाजांसाठी, अंदाजित वादळ केंद्राची स्थिती सरासरी 230 किलोमीटरने चुकली, तर ECMWF च्या ENS साठी ती 370 किलोमीटर आणि DeepMind च्या आधीच्या GenCast मॉडेलसाठी 335 किलोमीटर होती. तीन दिवसांच्या तीव्रता अंदाजांत, WN-C हे HAFS पेक्षा 3.75 knots अधिक अचूक असल्याचे नोंदवले गेले.

Hurricane Milton चा मागोवा घेत 6-तासांच्या टप्प्यांत मॉडेल अंदाज कसा तयार करते ते दाखवणारा फ्लोचार्ट
मॉडेल जागतिक वायुमंडलीय स्थिती 6-तासांच्या टप्प्यांत पुढे नेते आणि चक्रीवादळाचा मार्ग थेट काढते, येथे Hurricane Milton साठी दाखवले आहे. 1,000 रनमधून, खालील नकाशे 34, 50, आणि 64 knots वेगाच्या वाऱ्यांपर्यंत पोहोचण्याची प्रत्येक स्थानावरील शक्यता दाखवतात. | Image: Google Deepmind

रिपोर्टमध्ये असेही म्हटले आहे की विविध lead times वरच्या probabilistic intensity forecasts मध्ये ENS आणि GenCast च्या तुलनेत मॉडेलने कामगिरी दुप्पटहून अधिक वाढवली. हे विशेषतः hurricane-strength thresholds साठी महत्त्वाचे आहे, जिथे निर्णयकर्ते फक्त एक अंदाजित वाऱ्याचा वेग नव्हे, तर वादळ महत्त्वाच्या धोक्याच्या पातळ्या ओलांडेल की नाही याच्या शक्यता पाहत असतात. त्या दृष्टिकोनातून, WN-C एकाच deterministic track line चा पर्याय नसून risk-based planning साठीचे साधन म्हणून मांडले जात आहे.

स्रोतामध्ये उल्लेख केलेले एक कार्यकारी उदाहरण 2025 मधील Hurricane Melissa होते. DeepMind ने सांगितले की मॉडेलने National Hurricane Center ला rapid intensification वेळेत ओळखण्यास मदत केली. Rapid intensification ही सर्वात कठीण आणि कार्यात्मकदृष्ट्या महत्त्वाच्या अंदाज समस्यांपैकी एक आहे, कारण वेगाने बळकट होणारी वादळे स्थलांतर निर्णय आणि पायाभूत तयारी यांना मागे टाकू शकतात.

जाडसर डेटा, पण अधिक मजबूत निकाल

स्रोतामधील अधिक धक्कादायक दाव्यांपैकी एक म्हणजे WN-C विशेष प्रादेशिक मॉडेल्समध्ये वापरल्या जाणाऱ्या डेटापेक्षा खूपच जाडसर डेटावर काम करते. नोंदवलेली grid spacing सुमारे 28 किलोमीटर आहे, आणि त्याचे compact version 111 किलोमीटरवर कार्य करते. तरीही, DeepMind म्हणते की हे मॉडेल फार सूक्ष्म स्थानिक तपशीलांवर अवलंबून असलेल्या प्रणालींना मागे टाकते.

याचे दोन संभाव्य अर्थ आहेत. पहिला व्यावहारिक: कमी resolution inputs मधून जर मॉडेल अधिक predictive value काढू शकत असेल, तर ते संगणकीय खर्च कमी करू शकते आणि उच्च-गुणवत्तेच्या अंदाजांचा प्रसार वाढवू शकते. दुसरा वैज्ञानिक: AI प्रणाली मोठ्या वायुमंडलीय संदर्भांमधून वादळ-विकासाचे नमुने शिकत आहेत, जे पारंपरिक resolution आणि forecast quality अपेक्षांशी थेट जुळत नाहीत.

स्रोत नमूद करतो की DeepMind चे विकासकही ही प्रणाली इतकी चांगली का काम करते याचे पूर्ण स्पष्टीकरण देत नाहीत. ही महत्त्वाची सावधगिरी आहे. मजबूत benchmark निकाल असले तरी robustness, edge cases, failure modes आणि interpretability बद्दल प्रश्न खुले राहू शकतात. उच्च-जोखमीच्या हवामान अंदाजात हे प्रश्न raw accuracy इतकेच महत्त्वाचे आहेत.

मार्ग, तीव्रता आणि विस्तार त्रुटी दाखवणारे तीन line charts; WeatherNext Cyclones चा निळा रेषा GenCast, ENS, आणि HAFS पेक्षा सातत्याने खाली आहे, बाण सुमारे एका दिवसाचा फायदा दाखवतात.
WN-C ची निळी रेषा प्रत्येक बाबतीत ENS, GenCast, आणि HAFS यांच्या error levels गाठायला सुमारे एक दिवस उशीर करते, ज्याचा प्रत्यक्ष अर्थ एक अतिरिक्त दिवसाचा इशारा वेळ होतो. पाच दिवसांच्या क्षितिजावर, position error 370 ऐवजी 230 किलोमीटरवर आहे. | Image: Google Deepmind

एका मॉडेलपलीकडे या प्रकाशनाचे महत्त्व

WN-C चे व्यापक महत्त्व हे आहे की AI कार्यकारी विज्ञानात कशी प्रवेश करत आहे हे ते दाखवते. हे हवामान डेटावरचे फक्त chatbot-सदृश आवरण नाही. ही domain-specific forecasting system आहे, जिथे चांगली कामगिरी थेट आधी इशारे, अधिक लक्ष्यित स्थलांतर आणि ऊर्जा, परिवहन, संप्रेषण पायाभूत सुविधांचे अधिक चांगले संरक्षण यामध्ये रूपांतरित होऊ शकते.

स्रोत कार्यक्षमतेतील ही वाढ पारंपरिक हवामान अंदाजातील सुमारे दहा वर्षांच्या प्रगतीइतकी असल्याचे सांगतो. व्यापक वास्तव-जगातील वापरात ही तुलना कदाचित अतिआशावादी ठरली, तरी संकेत स्पष्ट आहे: AI weather models प्रयोगात्मक पूरकांमधून पुढील ओळीतल्या अंदाज पद्धतींवर परिणाम करू शकणाऱ्या प्रणालींकडे जात आहेत.

याचा अर्थ पारंपरिक मॉडेल्स नाहीसे होतात असा नाही. कार्यकारी अंदाज सहसा ensembles, cross-checks आणि मानवी तज्ज्ञतेवर आधारित असतो, एका मॉडेल विजेत्यावर नाही. पण WN-C क्षेत्रावर दबाव आणते, कारण AI प्रणाली आता केवळ अरुंद अंदाज क्षेत्रांपुरत्या मर्यादित नाहीत, हे ते दाखवते. जर त्या मार्ग आणि तीव्रता दोन्ही एकत्र सुधारू शकल्या, तर चक्रीवादळ अंदाजातील सर्वात टिकाऊ कार्यकारी तडजोडांपैकी एक कमी होऊ लागेल.

पुढे काय पाहायचे

पुढचा प्रश्न असा आहे की प्रकाशित benchmark विजय भविष्यातील वादळांच्या मोसमांमध्ये, वेगवेगळ्या ocean basins मध्ये आणि दुर्मिळ edge-case घटनांमध्ये टिकतात का. हवामानशास्त्रज्ञांना हेही जाणून घ्यायचे आहे की मॉडेल त्याच्या प्रशिक्षण इतिहासाबाहेरच्या atmospheric परिस्थितींमध्ये कसे वागते, आणि ते विद्यमान warning आणि advisory pipelines मध्ये सुरळीतपणे एकत्रित करता येते का.

सध्या, WeatherNext Cyclones हे हवामान जोखमीसाठीच्या applied AI मधील एक अर्थपूर्ण पाऊल वाटते. सर्वात महत्त्वाचा दावा एवढाच नाही की ते आधीच्या AI system पेक्षा चांगले आहे. तो असा आहे की ते specialist आणि global operational models दोन्हींच्या तुलनेत एकाच वेळी सुधारू शकते, अशा भागात जिथे अंदाज त्रुटींमुळे सर्वाधिक मानवी आणि आर्थिक खर्च होऊ शकतो.

हा लेख The Decoder च्या रिपोर्टिंगवर आधारित आहे. मूळ लेख वाचा.

Originally published on the-decoder.com