DeepMind நீண்டகாலமாக இருக்கும் சுழற்காற்று முன்னறிவிப்பு இடைவெளியை குறிவைக்கிறது

Google DeepMind, WeatherNext Cyclones அல்லது WN-C என்ற ஒரு செயற்கை நுண்ணறிவு அமைப்பை அறிமுகப்படுத்தியுள்ளது. இது ஒரு புயல் எங்கு செல்லும், எவ்வளவு வலுப்பெறும் என்பதைக் கணித்து, வெப்பமண்டல சுழற்காற்றுகளை முன்னறிவிக்க வடிவமைக்கப்பட்டுள்ளது. இந்த இணைப்பு முக்கியமானது, ஏனெனில் செயல்பாட்டு முன்னறிவிப்பு நீண்ட காலமாக இரண்டு வலிமைகளாகப் பிரிந்திருந்தது: சில மாதிரிகள் புயல் பாதையில் சிறந்தவை, சில தீவிரத்தில் சிறந்தவை. வழங்கப்பட்ட அறிக்கையின்படி, WN-C ஒரே அமைப்பில் இரு பணிகளையும் கையாளும் வகையில் உருவாக்கப்பட்டுள்ளது; சோதனையில் முன்னணி செயல்பாட்டு அணுகுமுறைகளை விட சுமார் ஒரு நாளளவு அதிக பயனுள்ள முன்னறிவிப்பு திறனை வழங்கியது.

இந்த மாதிரி U.S. National Hurricane Center, Cooperative Institute for Research in the Atmosphere, மற்றும் UK Met Office ஆகியவற்றுடன் இணைந்து உருவாக்கப்பட்டது. DeepMind 2025 ஜூன் முதல் Google-ன் Weather Lab-இல் நேரடி முன்னறிவிப்புகளையும் இயக்கி வருகிறது; இதனால் இந்த அமைப்பு வெறும் ஆராய்ச்சி மாதிரி அல்ல, செயல்பாட்டு முடிவு-ஆதரவு கருவிக்குப் பெரிதும் அருகிலான ஒன்றாக நிறுவப்படுகிறதென்பது தெரிகிறது.

சுழற்காற்று தீவிரத்தை முன்னறிவிப்பது ஏன் இன்னும் கடினம்

வெப்பமண்டல சுழற்காற்று முன்னறிவிப்பு பல தசாப்தங்களில் மேம்பட்டுள்ளது, ஆனால் எல்லா பணிகளிலும் ஒரே அளவில் இல்லை. ஒரு புயலின் பாதையை முன்னறிவிப்பது, அதன் வலிமையில் ஏற்படும் திடீர் மாற்றங்களை முன்னறிவிப்பதை விட பொதுவாக நம்பகமானதாகியுள்ளது. இன்று உள்ள மாதிரி சூழலில் இதுவே உள்ளார்ந்த ஒரு சமநிலையென ஆதாரம் விவரிக்கிறது. European Centre for Medium-Range Weather Forecasts ensemble போன்ற உலகளாவிய அமைப்புகள் பாதை வழிகாட்டலில் வலுவானவை, ஆனால் அவற்றின் பெரிதான resolution, தீவிரத்தை நன்றாகப் பிடிக்கும் திறனை குறைக்கிறது. NOAA-வின் Hurricane Analysis and Forecast System போன்ற பிராந்திய சிறப்பு மாதிரிகள் தீவிர மதிப்பீடுகளை கூர்மையாக்கலாம், ஆனால் அவை பாதை செயல்திறனைத் தியாகம் செய்யக்கூடும்.

அந்த சமநிலை அகாடமிக் அல்ல. அவசர மேலாளர்கள், காப்புறுதி நிறுவனங்கள், பயன்பாட்டு நிறுவனங்கள், துறைமுக இயக்குநர்கள் மற்றும் உள்ளூர் அதிகாரிகள் பெரும்பாலும் ஒரே நேரத்தில் இரண்டு பதில்கள் தேவைப்படுகின்றன: புயல் தாக்குமா, அது மிதமான சுழற்காற்றாக வருமா அல்லது வேகமாக வலுப்பெறும் பெரிய அபாயமாக வருமா. ஒரு மாதிரி இரண்டையும் ஒரே பணிச்சூழலில் மேம்படுத்த முடிந்தால், அது முன்னறிவிப்பு நடவடிக்கைகளை எளிமைப்படுத்தி, மிக முக்கியமான தயாரிப்பு காலங்களில் அனிச்சயத்தை குறைக்கலாம்.

Use a digital twin to explore automation before committing capital - The Robot Report
More in AI & Robotics

டிஜிட்டல் ட்வின் மென்பொருள், மூலதனத்தை செலவிடுவதற்கு முன் ஆட்டோமேஷனை ஆராய உற்பத்தியாளர்களை அனுமதிக்கிறது

டிஜிட்டல் ட்வின் மென்பொருள், உற்பத்தியாளர்கள் மூலதனத்தை செலவிடுவதற்கு முன் ரோபோக்கள், அமைப்புகள் மற்றும் ROI ஐ மதிப்பீடு செய்ய உதவுகிறது - நிச்சயமற்ற பொருளாதாரத்தில் அபாயத்தை குறைக்கிறது.

Read article

அறிக்கையிடப்பட்ட முன்னேற்றம் எப்படி இருக்கிறது

முன்மாதிரி மூலத்தின் படி, WN-C, பாதை மற்றும் தீவிரம் ஆகிய இரு அளவுகோள்களிலும் ஒப்பீட்டு அமைப்புகளை விட மேம்பட்டது. ஐந்து நாள் முன்னறிவிப்புகளில், கணிக்கப்பட்ட புயல் மைய நிலை சராசரியாக 230 கிலோமீட்டர் தவறியது; ECMWF-ன் ENS-க்கு அது 370 கிலோமீட்டர், DeepMind-ன் முந்தைய GenCast மாதிரிக்கு 335 கிலோமீட்டர். மூன்று நாள் தீவிர முன்னறிவிப்புகளில், WN-C, HAFS-ஐ விட 3.75 knot அதிக துல்லியமானதாகக் குறிப்பிடப்பட்டது.

Hurricane Milton-ஐப் பின்தொடரும் வகையில் 6 மணி நேர படிகளாக மாதிரி முன்னறிவிப்பை உருவாக்கும் ஓட்டப்படம்
மாதிரி உலகளாவிய வளிமண்டல நிலையை 6 மணி நேர படிகளாக முன்னேற்றி, சுழற்காற்றுப் பாதையை நேரடியாக பெறுகிறது; இங்கே Hurricane Milton-க்கு அது காட்டப்பட்டுள்ளது. 1,000 ஓட்டங்களில் இருந்து, கீழே உள்ள வரைபடங்கள் 34, 50, மற்றும் 64 knot காற்றுகள் எந்த இடத்தில் எட்டும் என்பதற்கான வாய்ப்பை காட்டுகின்றன. | Image: Google Deepmind

மேலும், பல முன்னணி கால அளவுகளில் probability-அடிப்படையிலான தீவிர முன்னறிவிப்புகளில் ENS மற்றும் GenCast-ஐ விட மாதிரி செயல்திறனை இருமடங்குக்கு மேல் உயர்த்தியதாக அறிக்கை கூறுகிறது. இது குறிப்பாக hurricane-strength thresholds-க்கு முக்கியமானது; அங்கு முடிவெடுப்பவர்கள் ஒரு கணிக்கப்பட்ட காற்று வேகத்தையே அல்ல, ஒரு புயல் எந்த முக்கிய அபாய நிலைகளைத் தாண்டும் என்பதற்கான நிகழ்தகவுகளையும் கேட்கின்றனர். அந்தச் சூழலில், WN-C ஒரு தனித் deterministic track line-க்கு மாற்றாக அல்ல, risk-based planning கருவியாகவே முன்வைக்கப்படுகின்றது.

மூலத்தில் குறிப்பிடப்பட்ட ஒரு செயல்பாட்டு உதாரணம் 2025-இல் Hurricane Melissa. Rapid intensification-ஐ நேரத்தில் அடையாளம் காண National Hurricane Center-க்கு இந்த மாதிரி உதவியதாக DeepMind கூறியது. Rapid intensification என்பது மிகவும் கடினமும் செயல்பாட்டில் மிக முக்கியமான முன்னறிவிப்பு பிரச்சினைகளில் ஒன்றாகும், ஏனெனில் விரைவாக வலுப்பெறும் புயல்கள் வெளியேற்ற முடிவுகளையும் கட்டமைப்பு தயாரிப்பையும் மிஞ்சி செல்லலாம்.

கரடுமுரடான தரவு, ஆனால் வலுவான வெளியீடு

மூலத்தின் மிகக் குறிப்பிடத்தக்க உரிமைகளில் ஒன்று, WN-C சிறப்பு பிராந்திய மாதிரிகளில் பயன்படுத்தப்படும் தரவுகளை விட மிகவும் கரடுமுரடான தரவிலிருந்து செயல்படுகிறது என்பதே. அறிக்கையிடப்பட்ட grid spacing சுமார் 28 கிலோமீட்டர்; compact version 111 கிலோமீட்டரில் இயங்குகிறது. அதையும் மீறி, மிக நுண்ணமான இடவெளி விவரங்களை நம்பும் அமைப்புகளை இது மிஞ்சுகிறது என DeepMind கூறுகிறது.

இதனால் இரண்டு சாத்தியமான விளைவுகள் உள்ளன. முதல் ஒன்று நடைமுறை: குறைந்த resolution உள்ளீடுகளிலிருந்தே மாதிரி அதிக கணிப்புத் திறனைப் பெறுமானால், கணக்கீட்டு செலவைக் குறைத்து, உயர்தர முன்னறிவிப்பை அதிகமானோருக்கு எட்டச் செய்யலாம். இரண்டாவது அறிவியல்: பாரம்பரிய resolution மற்றும் முன்னறிவிப்பு தரம் குறித்த எதிர்பார்ப்புகளுடன் நேரடியாக பொருந்தாத வகையில், AI அமைப்புகள் பெரிய வளிமண்டல சூழல்களில் இருந்து புயல் வளர்ச்சி விதிகளை கற்றுக்கொள்கின்றன என்பதைக் காட்டுகிறது.

இந்த அமைப்பு ஏன் இவ்வளவு நன்றாக செயல்படுகிறது என்பதைக் கூட DeepMind-ன் உருவாக்குநர்கள் முழுமையாக விளக்கவில்லை என்று மூலம் குறிப்பிடுகிறது. இது முக்கியமான எச்சரிக்கை. வலுவான benchmark முடிவுகள் இருந்தாலும், robustness, edge cases, failure modes, interpretability போன்ற கேள்விகள் திறந்தவையாக இருக்கலாம். உயர்-ஆபத்து வானிலை முன்னறிவிப்பில், இக் கேள்விகள் raw accuracy போலவே முக்கியமானவை.

பாதை, தீவிரம், மற்றும் பரவல் பிழையை காட்டும் மூன்று கோடு வரைபடங்கள்; WeatherNext Cyclones-ன் நீல கோடு GenCast, ENS, மற்றும் HAFS-ஐ விட தொடர்ந்து கீழே உள்ளது, அம்புகள் சுமார் ஒரு நாள் முன்னிலை காட்டுகின்றன.
WN-C-ன் நீல கோடு ENS, GenCast, மற்றும் HAFS ஆகியவற்றின் பிழை நிலைகளை ஒவ்வொரு முறையும் சுமார் ஒரு நாள் தாமதமாக எட்டுகிறது; நடைமுறையில் இது ஒரு கூடுதல் நாள் எச்சரிக்கை நேரம் ஆகிறது. ஐந்து நாள் எல்லையில், நிலை பிழை 370 கிலோமீட்டருக்கு பதிலாக 230 கிலோமீட்டராக உள்ளது. | Image: Google Deepmind
With Prime Air, Amazon uses drones to deliver groceries, electronics, cosmetics, medications, and household products.
More in AI & Robotics

Amazon Prime Air 500 அமெரிக்க நகரங்களை இலக்காக்கிறது

2026 இறுதிக்குள் Prime Air-ஐ சுமார் 500 அமெரிக்க நகரங்கள் மற்றும் பட்டணங்களுக்கு விரிவுபடுத்தப் போவதாக Amazon கூறுகிறது; இது அதன் ட்ரோன் டெலிவரி வலையமைப்புக்கான பெரிய அளவாக்கம்.

Read article

ஒரே மாதிரியைத் தாண்டி இந்த வெளியீடு ஏன் முக்கியம்

WN-C-ன் பரந்த முக்கியத்துவம், AI செயல்பாட்டு அறிவியலுக்குள் எவ்வாறு நுழைகிறது என்பதையே இது பிரதிபலிப்பதில் உள்ளது. இது வானிலை தரவின் மீது ஒரு chatbot-பாணி மேலடுக்கு மட்டும் அல்ல. இது துறைக்கே உரிய முன்னறிவிப்பு அமைப்பு; இதில் மேம்பட்ட செயல்திறன் முன்கூட்டிய எச்சரிக்கைகள், அதிக இலக்கான வெளியேற்றங்கள், மற்றும் ஆற்றல், போக்குவரத்து, தொடர்பு கட்டமைப்புகளுக்கான மேம்பட்ட பாதுகாப்பாக நேரடியாக மாறலாம்.

பாரம்பரிய வானிலை முன்னறிவிப்பில் சுமார் ஒரு தசாப்த முன்னேற்றத்துக்கு சமமான பலன் இதுவென மூலம் விவரிக்கிறது. பரந்த நிஜ உலகப் பயன்பாட்டில் அந்த ஒப்பீடு அதிக நம்பிக்கையுடையதாக இருந்தாலும், சிக்னல் தெளிவானது: AI வானிலை மாதிரிகள் பரிசோதனைத் துணைகளிலிருந்து முன்னணி முன்னறிவிப்பு நடைமுறையைப் பாதிக்கக்கூடிய அமைப்புகளாக மாறி வருகின்றன.

இதன் பொருள் பாரம்பரிய மாதிரிகள் மறைந்துவிடும் என்பதல்ல. செயல்பாட்டு முன்னறிவிப்பு பொதுவாக ensembles, cross-checks, மனித நிபுணத்துவம் ஆகியவற்றை அடிப்படையாகக் கொண்டது; ஒரே வெற்றியாளரை அல்ல. ஆனால் WN-C இந்தத் துறைக்கு அழுத்தம் தருகிறது, ஏனெனில் AI அமைப்புகள் இனி குறுகிய முன்னறிவிப்பு இடங்களில் மட்டுமே சிக்கியிருக்கவில்லை என்பதை இது காட்டுகிறது. அவை பாதை மற்றும் தீவிரம் இரண்டையும் ஒன்றாக மேம்படுத்த முடிந்தால், சுழற்காற்று முன்னறிவிப்பின் மிக நிலையான செயல்பாட்டு சமரசங்களில் ஒன்று மெதுவாக குறையத் தொடங்கலாம்.

அடுத்து எதை கவனிக்க வேண்டும்

அடுத்த கேள்வி என்னவென்றால், வெளியிடப்பட்ட benchmark வெற்றிகள் எதிர்கால புயல் பருவங்கள், வெவ்வேறு கடல்சார் பகுதி மண்டலங்கள், மற்றும் அரிதான edge-case நிகழ்வுகளில் தொடருமா என்பதாகும். மாதிரி அதன் பயிற்சி வரலாற்றுக்கு வெளியான வளிமண்டல சூழ்நிலைகளில் எவ்வாறு செயல்படுகிறது, மற்றும் அதை உள்ளமைந்த எச்சரிக்கை மற்றும் ஆலோசனைப் பணிப்பாய்வுகளில் நேர்த்தியாக இணைக்க முடியுமா என்பதையும் forecasters அறிய விரும்புவார்கள்.

இப்போதைக்கு, WeatherNext Cyclones வானிலை ஆபத்துக்கான பயன்பாட்டு AI-யில் ஒரு முக்கிய முன்னேற்றமாகத் தோன்றுகிறது. மிக முக்கியமான உரிமை, இது முந்தைய AI அமைப்புகளை விட சிறந்தது என்பதல்ல. அது, சிறப்பு மற்றும் உலகளாவிய செயல்பாட்டு மாதிரிகள் இரண்டையும் ஒரே நேரத்தில் மிஞ்சக்கூடும் என்பதே; முன்னறிவிப்பு பிழைகள் மிக உயர்ந்த மனித மற்றும் பொருளாதார செலவை ஏற்படுத்தும் பகுதியில்.

இந்தக் கட்டுரை The Decoder-ன் செய்தியிடலின் அடிப்படையில் உள்ளது. மூலக் கட்டுரையைப் படிக்கவும்.

Originally published on the-decoder.com