अंदाज न येणाऱ्या गोष्टींचा अंदाज
दैनंदिन हवामानाचा अंदाज उल्लेखनीयपणे अचूक झाला आहे, परंतु दुर्मिळ, अत्यंत घटनांचा अंदाज—जसे की सर्वात प्राणघातक उष्णतेच्या लाटा—अजूनही एक आव्हान आहे. या घटना, ज्यांना कधीकधी 'ग्रे स्वान' म्हटले जाते, इतक्या क्वचित घडतात की त्या सामान्य हवामानाच्या पद्धतींच्या श्रेणीबाहेर असतात. पारंपारिक सुपरकॉम्प्युटर-आधारित मॉडेल त्यांचे अनुकरण करू शकतात, परंतु त्यांना प्रचंड संगणकीय संसाधने आणि वेळ लागतो. दुसरीकडे, नवीन AI-आधारित हवामान अंदाज मॉडेल नियमित अंदाजांमध्ये उत्कृष्ट आहेत परंतु त्यांच्या प्रशिक्षण डेटामध्ये कमी प्रतिनिधित्व असलेल्या आउटलायर्सना पकडण्यात अनेकदा अपयशी ठरतात.
या अंतराने संशोधकांना मध्यम मार्ग शोधण्यास प्रवृत्त केले आहे. शिकागो विद्यापीठातील शास्त्रज्ञ आणि फ्रान्समधील सहयोगी यांच्या नेतृत्वाखालील एका पथकाने दोन्ही दृष्टिकोनांची ताकद एकत्र करणारी हायब्रीड पद्धत विकसित केली आहे. फिजिकल रिव्ह्यू लेटर्स जर्नलमध्ये प्रकाशित, नवीन तंत्र दुर्मिळ, उच्च-प्रभाव हवामान घटनांचा अंदाज सुधारण्याचे आश्वासन देते आणि पारंपारिक मॉडेलपेक्षा खूपच कमी संसाधने वापरते.
ग्रे स्वानचे आव्हान
उष्णतेच्या लाटा हे अत्यंत हवामानाचे सर्वात प्राणघातक प्रकार आहेत. 2003 मध्ये, युरोपमधील उष्णतेच्या लाटेमुळे अंदाजे 70,000 मृत्यू झाले, आणि 2010 मध्ये, रशियाला उष्णतेच्या लाटेचा सामना करावा लागला ज्यामुळे 56,000 मृत्यू झाले. अलीकडे, जून 2026 मध्ये, युनायटेड स्टेट्सच्या जवळजवळ निम्म्या भागात—सुमारे 180 दशलक्ष लोक—धोकादायक तापमान अनुभवले. हवामान बदलामुळे या घटना अधिक वारंवार आणि गंभीर होत आहेत, ज्यामुळे अचूक अंदाज आणखी महत्त्वाचा बनला आहे.
तथापि, अशा आउटलायर्सचे स्वरूप त्यांचा अभ्यास करणे कठीण करते. त्या दुर्मिळ आहेत, म्हणून मशीन लर्निंग मॉडेल्सना प्रशिक्षण देण्यासाठी मर्यादित ऐतिहासिक डेटा आहे. पारंपारिक भौतिकशास्त्र-आधारित मॉडेल, जे मूलभूत समीकरणांमधून वातावरणाच्या वर्तनाचे अनुकरण करतात, अत्यंत परिस्थिती निर्माण करू शकतात, परंतु त्यांना प्रचंड संगणकीय शक्ती लागते आणि चालवण्यास दिवस लागू शकतात. यामुळे ते रिअल-टाइम अंदाज किंवा अनेक संभाव्य परिस्थितींचा शोध घेण्यासाठी अव्यवहार्य बनतात.
शिकागो विद्यापीठातील भूभौतिकीय विज्ञानाचे सहयोगी प्राध्यापक आणि संशोधनाचे सह-नेते पेद्राम हसानझादेह स्पष्ट करतात, 'AI हवामान आणि हवामान मॉडेल ही विज्ञानातील AI ची मोठी कामगिरी आहे, परंतु ती जादुई नाहीत—ते ग्रे स्वान, सर्वात दुर्मिळ आणि अत्यंत घटनांवर अपयशी ठरतात. तपशीलवार भौतिकशास्त्र-आधारित मॉडेल अत्यंत घटना पकडू शकतात, परंतु त्यांना प्रतिबंधात्मक मोठा वेळ आणि ऊर्जा लागते.'
एक हायब्रीड उपाय
हसानझादेहच्या क्लायमेट एक्स्ट्रीम्स थिअरी अँड डेटा ग्रुप आणि आंतरराष्ट्रीय सहयोगींनी विकसित केलेली नवीन पद्धत, AI ला पारंपारिक भौतिकशास्त्र-आधारित मॉडेलिंगसह एकत्रित करते. हा दृष्टिकोन संभाव्य परिस्थितींची विस्तृत श्रेणी शोधण्यासाठी AI ची गती वापरतो, तर दुर्मिळ घटना भौतिकदृष्ट्या वास्तववादी आहेत याची खात्री करण्यासाठी भौतिकशास्त्र-आधारित मॉडेल वापरतो. हे संयोजन पथकाला अत्यंत घटनांच्या संभाव्यतेचा अधिक अचूक आणि कार्यक्षमतेने अंदाज लावण्यास अनुमती देते.
मुख्य नवीनता दोन घटक कसे संवाद साधतात यात आहे. AI मॉडेल, अत्यंत घटनांच्या मर्यादित संचावर प्रशिक्षित, उमेदवार परिस्थिती प्रस्तावित करते. त्यानंतर भौतिकशास्त्र-आधारित मॉडेल वापरून त्यांची पडताळणी आणि परिष्करण केले जाते, जे कोणतेही अवास्तव परिणाम दुरुस्त करते. ही पुनरावृत्ती प्रक्रिया दुर्मिळ घटनांसाठी विश्वासार्ह संभाव्यता वितरणावर एकत्रित होते, जरी AI एकटे त्यांना चुकवेल.
'या पद्धतीची ताकद अशी आहे की ती AI आणि पारंपारिक भौतिकशास्त्र या दोन्हींची ताकद एकत्र करते आणि विशेषतः अत्यंत घटनांसाठी प्रभावी आहे, ज्यांचे अनुकरण करणे सर्वात कठीण आहे आणि ज्यांचा सामाजिक परिणाम सर्वात मोठा आहे,' असे हसानझादेह म्हणाले.
अंदाज आणि हवामान संशोधनासाठी परिणाम
हायब्रीड दृष्टिकोन दुर्मिळ परंतु विनाशकारी हवामान घटनांचा अंदाज घेण्याची आपली क्षमता लक्षणीयरीत्या सुधारू शकतो. उदाहरणार्थ, ते आपत्कालीन नियोजकांना उष्णतेच्या लाटा, पूर किंवा दुष्काळ यासाठी तयारी करण्यास मदत करू शकते जे शतकातून किंवा सहस्राब्दीतून एकदा येऊ शकतात. अधिक अचूक संभाव्यता प्रदान करून, ही पद्धत पायाभूत सुविधांच्या डिझाइन, सार्वजनिक आरोग्य धोरणे आणि आपत्ती प्रतिसाद योजनांची माहिती देऊ शकते.
शिवाय, कमी संगणकीय खर्च म्हणजे असे अंदाज अधिक वारंवार आणि दीर्घ कालावधीसाठी चालवता येतात. यामुळे हंगामी आणि दशकीय अंदाज चांगले होऊ शकतात, ज्यामुळे समाजांना बदलत्या हवामानाशी जुळवून घेण्यास मदत होते.
संशोधन भौतिक समजासह AI एकत्र करण्याचे महत्त्व देखील अधोरेखित करते. AI ने अनेक क्षेत्रांत क्रांती घडवली आहे, परंतु दुर्मिळ घटनांच्या बाबतीत त्याच्या मर्यादा आहेत. दोन्ही एकत्र करून, शास्त्रज्ञ दोन्ही जगांचे सर्वोत्तम वापरू शकतात.
पुढे पाहणे
पथकाने पद्धत अधिक परिष्कृत करण्याची आणि चक्रीवादळ आणि गडगडाटी वादळे यासारख्या इतर प्रकारच्या अत्यंत घटनांवर चाचणी करण्याची योजना आखली आहे. ते साधन जागतिक स्तरावर हवामान सेवा आणि हवामान संशोधकांसाठी सुलभ करण्याचे देखील लक्ष्य ठेवतात.
अत्यंत हवामान अधिक सामान्य होत असताना, अचूक अंदाजाची गरज वाढते. हा हायब्रीड दृष्टिकोन एक आश्वासक मार्ग देते, जो जीव वाचवू शकतो आणि आर्थिक नुकसान कमी करू शकतो. अंदाज न येणाऱ्या गोष्टींचा अंदाज सुधारून, आपण पुढील आव्हानांसाठी चांगली तयारी करू शकतो.
आत्तासाठी, ही पद्धत अत्यंत घटना अंदाजाच्या विज्ञानातील एक महत्त्वपूर्ण पाऊल आहे. हे आंतरविद्याशाखीय सहकार्याच्या सामर्थ्याचा आणि अत्याधुनिक AI ला काळ-परीक्षित भौतिक तत्त्वांसह एकत्र करण्याच्या क्षमतेचा पुरावा आहे.
हा लेख Phys.org च्या अहवालावर आधारित आहे. मूळ लेख वाचा.
Originally published on phys.org
