فناوری معرفی‌شده توسط دیپ‌مایند در این نسخه با بهره‌گیری از معماری شبکه عصبی پیشرفته، توانایی تولید صد‌ها سناریوی محتمل جوی را از یک نقطه شروع واحد داراست و ضمن ارتقای کارایی نسبت به روش‌های سنتی شبیه‌سازی فیزیکی، وضوح زمانی پیش‌بینی‌ها را تا بازه یک‌ساعته دقیق کرده است تا تصمیم‌گیری در حوزه‌های حساس نظیر زنجیره تأمین جهانی و هوانوردی تسهیل شود.
سرعت پردازش و کاهش وابستگی به ابررایانه‌ها
محاسبات پیچیده هواشناسی که پیش از این نیازمند ساعت‌ها پردازش توسط ابررایانه‌های قدرتمند مبتنی بر مدل‌های فیزیکی بود، اکنون با معماری جدید گوگل تغییر کرده است. WeatherNext ۲ قادر است هر فرآیند پیش‌بینی کامل را روی یک واحد پردازش تانسور (TPU) در زمانی کمتر از یک دقیقه به انجام برساند.
این سرعت پردازش بالا به متخصصان اجازه می‌دهد تا به جای تمرکز بر یک خروجی قطعی، طیف وسیعی از احتمالات را بررسی کنند. اهمیت این موضوع در آن است که پیش‌بینی دقیق شرایط جوی نیازمند در نظر گرفتن بدترین سناریوهای ممکن است و مدل جدید با سرعت عمل خود، امکان بررسی تمامی این احتمالات را فراهم کرده است.
عملکرد فنی و مقایسه با نسخه‌های پیشین
ارزیابی‌های صورت‌گرفته نشان می‌دهد که WeatherNext ۲ در مقایسه با نسخه قبلی خود، عملکردی برتر در ۹۹/۹ درصد از متغیر‌های جوی به ثبت رسانده است. این متغیر‌ها شامل پارامتر‌های کلیدی مانند دما، سرعت باد و میزان رطوبت هستند که در بازه‌های زمانی مختلف از لحظه حال تا ۱۵ روز آینده مورد سنجش قرار گرفته‌اند. وضوح این پیش‌بینی‌ها به تفکیک ساعت افزایش یافته است که این امر دقت مدل را در شبیه‌سازی تغییرات ناگهانی جوی بالا می‌برد.
معماری شبکه مولد تابعی
مبنای عملکرد این سامانه بر پایه رویکردی نوین در مدل‌سازی هوش مصنوعی تحت عنوان «شبکه مولد تابعی» (FGN) استوار است. مهندسان گوگل در این روش با تزریق نویز فنی در فضای تابع، تغییرپذیری منسجمی را در پیش‌بینی‌ها ایجاد می‌کنند.
هدف از این کار حفظ واقع‌گرایی فیزیکی در خروجی‌ها و تضمین ارتباط منطقی میان داده‌های تولید شده است. استفاده از شبکه‌های عصبی آموزش‌دیده مستقل در این معماری باعث می‌شود تا خروجی نهایی با قوانین فیزیک جو سازگاری کامل داشته باشد.
تحلیل متغیر‌های مستقل و سیستم‌های به هم پیوسته
تمایز اصلی این مدل در نحوه برخورد با مفاهیمی است که هواشناسان آن‌ها را حاشیه‌ای و مشترک می‌نامند. متغیر‌های حاشیه‌ای به عناصر مستقل آب‌وهوایی مانند دمای دقیق یک نقطه خاص، سرعت باد در ارتفاع مشخص یا میزان رطوبت اشاره دارند. نکته قابل توجه در معماری WeatherNext ۲ این است که مدل فقط بر اساس این متغیر‌های مستقل آموزش دیده است، اما توانایی استنتاج و پیش‌بینی دقیق سیستم‌های پیچیده و به هم پیوسته را کسب کرده است.
این قابلیت برای شناسایی پدیده‌های کلان، مانند موج‌های گرمایی که یک منطقه وسیع را تحت تأثیر قرار می‌دهند یا برآورد توان خروجی در مزارع بادی که نیازمند تحلیل هم‌زمان چندین متغیر است، حیاتی محسوب می‌شود.
دسترسی‌پذیری و ادغام در سرویس‌ها
خروجی‌های تحقیقات آزمایشگاهی اکنون به مرحله عملیاتی رسیده و در دسترس کاربران قرار گرفته است. داده‌های پیش‌بینی WeatherNext ۲ هم‌اکنون در سکوهای Earth Engine و BigQuery بارگذاری شده‌اند. علاوه بر این، برنامه دسترسی زودهنگام برای استنتاج مدل‌های سفارشی بر روی پلتفرم Vertex AI در گوگل کلاود راه‌اندازی شده است.
فناوری مذکور همچنین در زیرساخت محصولات پرکاربرد گوگل ادغام شده است؛ به‌طوری‌که سرویس‌های جست‌و‌جو، جمینای، برنامک Pixel Weather و API آب‌وهوای گوگل مپس اکنون از این مدل بهره می‌برند. طبق اعلام رسمی، گوگل مپس نیز طی هفته‌های آینده برای ارائه اطلاعات جوی دقیق‌تر به این سامانه مجهز خواهد شد.
تیم تحقیقاتی گوگل اعلام کرده است که توسعه این فناوری با هدف ادغام منابع داده‌ای جدید و گسترش دسترسی‌ها ادامه خواهد داشت. تمرکز اصلی بر ارائه ابزار‌های قدرتمند و داده‌های آزاد به جامعه علمی است تا پژوهشگران، توسعه‌دهندگان و کسب‌وکار‌ها بتوانند برای حل مسائل پیچیده اقلیمی و برنامه‌ریزی‌های آتی از دقیق‌ترین داده‌های موجود بهره‌برداری کنند.
انتهای پیام/