முன்னறிவிக்க முடியாததை முன்னறிவித்தல்
தினசரி வானிலை முன்னறிவிப்புகள் குறிப்பிடத்தக்க அளவில் துல்லியமாகிவிட்டன, ஆனால் அரிய, தீவிர நிகழ்வுகளை—மிகவும் கொடிய வெப்ப அலைகள் போன்றவற்றை—கணிப்பது ஒரு கடினமான சவாலாகவே உள்ளது. இந்த நிகழ்வுகள், சில நேரங்களில் 'சாம்பல் ஸ்வான்கள்' என்று அழைக்கப்படுகின்றன, மிகவும் அரிதாக நிகழ்வதால் அவை வழக்கமான வானிலை முறைகளின் வரம்பிற்கு வெளியே உள்ளன. பாரம்பரிய சூப்பர் கம்ப்யூட்டர் அடிப்படையிலான மாதிரிகள் அவற்றை உருவகப்படுத்த முடியும், ஆனால் அவை மகத்தான கணினி வளங்களையும் நேரத்தையும் கோருகின்றன. மறுபுறம், புதிய AI அடிப்படையிலான முன்னறிவிப்பு மாதிரிகள் வழக்கமான கணிப்புகளில் சிறந்து விளங்குகின்றன, ஆனால் அவற்றின் பயிற்சி தரவுகளில் குறைவாகப் பிரதிநிதித்துவப்படுத்தப்படும் வெளிப்புற நிகழ்வுகளைப் பிடிக்க பெரும்பாலும் தவறுகின்றன.
இந்த இடைவெளி ஆராய்ச்சியாளர்களை ஒரு நடுத்தர நிலையைத் தேடத் தூண்டியுள்ளது. சிகாகோ பல்கலைக்கழக விஞ்ஞானிகள் மற்றும் பிரான்சில் உள்ள ஒத்துழைப்பாளர்கள் தலைமையிலான ஒரு குழு, இரண்டு அணுகுமுறைகளின் பலங்களையும் இணைக்கும் ஒரு கலப்பு முறையை உருவாக்கியுள்ளது. Physical Review Letters இதழில் வெளியிடப்பட்ட இந்த புதிய நுட்பம், பாரம்பரிய மாதிரிகளை விட மிகக் குறைவான வளங்களைப் பயன்படுத்தி அரிய, அதிக தாக்கம் கொண்ட வானிலை நிகழ்வுகளின் கணிப்பை மேம்படுத்துவதாக உறுதியளிக்கிறது.
சாம்பல் ஸ்வான்களின் சவால்
வெப்ப அலைகள் மிகவும் கொடிய தீவிர வானிலை வடிவங்களில் ஒன்றாகும். 2003 ஆம் ஆண்டில், ஐரோப்பா முழுவதும் ஏற்பட்ட வெப்ப அலை சுமார் 70,000 இறப்புகளை ஏற்படுத்தியது, மேலும் 2010 ஆம் ஆண்டில், ரஷ்யா 56,000 இறப்புகளுக்கு வழிவகுத்த ஒரு வெப்ப அலையை அனுபவித்தது. சமீபத்தில், ஜூன் 2026 இல், அமெரிக்காவின் கிட்டத்தட்ட பாதி—சுமார் 180 மில்லியன் மக்கள்—ஆபத்தான வெப்பநிலைகளை அனுபவித்தனர். காலநிலை மாற்றம் காரணமாக இந்த நிகழ்வுகள் அடிக்கடி மற்றும் கடுமையானதாகி வருகின்றன, இது துல்லியமான முன்னறிவிப்பை இன்னும் முக்கியமானதாக்குகிறது.
இருப்பினும், அத்தகைய வெளிப்புற நிகழ்வுகளின் தன்மையே அவற்றைப் படிப்பதை கடினமாக்குகிறது. அவை அரிதானவை, எனவே இயந்திர கற்றல் மாதிரிகளுக்கு பயிற்சி அளிக்க வரையறுக்கப்பட்ட வரலாற்று தரவு உள்ளது. அடிப்படை சமன்பாடுகளிலிருந்து வளிமண்டலத்தின் நடத்தையை உருவகப்படுத்தும் பாரம்பரிய இயற்பியல் அடிப்படையிலான மாதிரிகள், தீவிர சூழ்நிலைகளை உருவாக்க முடியும், ஆனால் அவை மகத்தான கணினி சக்தி தேவைப்படுகின்றன மற்றும் இயங்க பல நாட்கள் ஆகலாம். இது நிகழ்நேர முன்னறிவிப்பு அல்லது பல சாத்தியமான சூழ்நிலைகளை ஆராய்வதற்கு அவற்றை நடைமுறைக்கு ஒவ்வாததாக்குகிறது.
சிகாகோ பல்கலைக்கழகத்தின் புவி இயற்பியல் அறிவியல் இணைப் பேராசிரியரும் ஆராய்ச்சியின் இணைத் தலைவருமான பெட்ராம் ஹாசன்சாதே, 'AI வானிலை மற்றும் காலநிலை மாதிரிகள் அறிவியலில் AI இன் சிறந்த சாதனைகளில் ஒன்றாகும், ஆனால் அவை மந்திரம் அல்ல—அவை சாம்பல் ஸ்வான்கள், அரிதான மற்றும் மிகவும் தீவிரமான நிகழ்வுகளில் தோல்வியடைகின்றன. விரிவான இயற்பியல் அடிப்படையிலான மாதிரிகள் தீவிர நிகழ்வுகளைப் பிடிக்க முடியும், ஆனால் அவை தடைசெய்யும் அளவுக்கு அதிக நேரமும் ஆற்றலும் தேவைப்படுகின்றன' என்று விளக்குகிறார்.
ஒரு கலப்பு தீர்வு
ஹாசன்சாதேவின் காலநிலை தீவிரங்கள் கோட்பாடு மற்றும் தரவு குழு மற்றும் சர்வதேச ஒத்துழைப்பாளர்களால் உருவாக்கப்பட்ட புதிய முறை, AI ஐ பாரம்பரிய இயற்பியல் அடிப்படையிலான மாடலிங்குடன் ஒருங்கிணைக்கிறது. இந்த அணுகுமுறை பரந்த அளவிலான சாத்தியமான நிலைமைகளை ஆராய AI இன் வேகத்தைப் பயன்படுத்துகிறது, அதே நேரத்தில் அரிய நிகழ்வுகள் இயற்பியல் ரீதியாக யதார்த்தமானவை என்பதை உறுதிப்படுத்த இயற்பியல் அடிப்படையிலான மாதிரிகளைப் பயன்படுத்துகிறது. இந்த கலவையானது, தீவிர நிகழ்வுகளின் நிகழ்தகவை மிகவும் துல்லியமாகவும் திறமையாகவும் மதிப்பிட அணியை அனுமதிக்கிறது.
முக்கிய கண்டுபிடிப்பு இரண்டு கூறுகள் எவ்வாறு தொடர்பு கொள்கின்றன என்பதில் உள்ளது. வரையறுக்கப்பட்ட தீவிர நிகழ்வு உருவகப்படுத்துதல்களில் பயிற்சியளிக்கப்பட்ட AI மாதிரி, வேட்பாளர் சூழ்நிலைகளை முன்மொழிகிறது. இவை பின்னர் இயற்பியல் அடிப்படையிலான மாதிரியைப் பயன்படுத்தி சரிபார்க்கப்பட்டு செம்மைப்படுத்தப்படுகின்றன, இது நம்பத்தகாத முடிவுகளை சரிசெய்கிறது. இந்த மீண்டும் மீண்டும் செயல்முறை, AI மட்டும் அவற்றைத் தவறவிடும் போதும், அரிய நிகழ்வுகளுக்கான நம்பகமான நிகழ்தகவு பரவலில் ஒருங்கிணைக்கிறது.
'இந்த முறையின் சக்தி என்னவென்றால், இது AI மற்றும் பாரம்பரிய இயற்பியல் இரண்டின் பலங்களையும் இணைக்கிறது, மேலும் உருவகப்படுத்த மிகவும் கடினமான மற்றும் சமூக தாக்கத்தை அதிகம் கொண்ட தீவிர நிகழ்வுகளுக்கு குறிப்பாக பயனுள்ளதாக இருக்கிறது' என்று ஹாசன்சாதே கூறினார்.
முன்னறிவிப்பு மற்றும் காலநிலை ஆராய்ச்சிக்கான தாக்கங்கள்
கலப்பு அணுகுமுறை அரிய ஆனால் பேரழிவு தரும் வானிலை நிகழ்வுகளை எதிர்நோக்குவதற்கான நமது திறனை கணிசமாக மேம்படுத்தும். எடுத்துக்காட்டாக, ஒரு நூற்றாண்டுக்கு ஒருமுறை அல்லது ஆயிரம் ஆண்டுகளுக்கு ஒருமுறை ஏற்படக்கூடிய வெப்ப அலைகள், வெள்ளங்கள் அல்லது வறட்சிகளுக்கு அவசரகால திட்டமிடுபவர்கள் தயாராக உதவக்கூடும். மிகவும் துல்லியமான நிகழ்தகவுகளை வழங்குவதன் மூலம், இந்த முறை உள்கட்டமைப்பு வடிவமைப்பு, பொது சுகாதார உத்திகள் மற்றும் பேரிடர் பதில் திட்டங்களைத் தெரிவிக்க முடியும்.
மேலும், குறைக்கப்பட்ட கணினி செலவு, இத்தகைய முன்னறிவிப்புகளை அடிக்கடி மற்றும் நீண்ட கால எல்லைகளுக்கு இயக்க முடியும் என்பதாகும். இது சிறந்த பருவகால மற்றும் தசாப்த முன்னறிவிப்புகளுக்கு வழிவகுக்கும், இது சமூகங்கள் மாறிவரும் காலநிலைக்கு ஏற்ப உதவும்.
ஆராய்ச்சி இயற்பியல் புரிதலுடன் AI ஐ இணைப்பதன் முக்கியத்துவத்தையும் அடிக்கோடிட்டுக் காட்டுகிறது. AI பல துறைகளில் புரட்சியை ஏற்படுத்தியிருந்தாலும், அரிய நிகழ்வுகளுக்கு வரும்போது அதற்கு வரம்புகள் உள்ளன. இரண்டையும் கலப்பதன் மூலம், விஞ்ஞானிகள் இரண்டின் சிறந்ததையும் பயன்படுத்த முடியும்.
எதிர்காலம்
இந்த முறையை மேலும் செம்மைப்படுத்தவும், சூறாவளி மற்றும் சுழல் காற்று போன்ற பிற வகையான தீவிர நிகழ்வுகளில் சோதிக்கவும் குழு திட்டமிட்டுள்ளது. மேலும், இந்த கருவியை உலகெங்கிலும் உள்ள வானிலை சேவைகள் மற்றும் காலநிலை ஆராய்ச்சியாளர்களுக்கு அணுகக்கூடியதாக மாற்றவும் அவர்கள் நோக்கமாக உள்ளனர்.
தீவிர வானிலை மிகவும் பொதுவானதாக மாறும்போது, துல்லியமான முன்னறிவிப்பின் தேவை அதிகரிக்கிறது. இந்த கலப்பு அணுகுமுறை ஒரு நம்பிக்கைக்குரிய பாதையை வழங்குகிறது, இது உயிர்களைக் காப்பாற்றும் மற்றும் பொருளாதார இழப்புகளைக் குறைக்கும். கணிக்க முடியாததை கணிக்கும் நமது திறனை மேம்படுத்துவதன் மூலம், முன்னால் உள்ள சவால்களுக்கு நாம் சிறப்பாக தயாராகலாம்.
இப்போதைக்கு, இந்த முறை தீவிர நிகழ்வு கணிப்பு அறிவியலில் ஒரு குறிப்பிடத்தக்க முன்னேற்றத்தை பிரதிபலிக்கிறது. இது இடைநிலை ஒத்துழைப்பின் சக்தி மற்றும் அதிநவீன AI ஐ காலத்தால் சோதிக்கப்பட்ட இயற்பியல் கோட்பாடுகளுடன் இணைப்பதற்கான சாத்தியத்திற்கு ஒரு சான்றாகும்.
இந்த கட்டுரை Phys.org அறிக்கையின் அடிப்படையில் அமைந்துள்ளது. அசல் கட்டுரையைப் படிக்கவும்.
Originally published on phys.org
