گوگل ڈیپ مائنڈ AI ناخن 10 دن کے موسم کی انتہائی درست پیشین گوئیاں

اس سال تھا۔ ایک نان اسٹاپ پریڈ انتہائی موسمی واقعات کا۔ بے مثال گرمی نے پوری دنیا کو اپنی لپیٹ میں لے لیا۔ اس موسم گرما زمین کا سب سے زیادہ گرم تھا۔ 1880 کے بعد سے۔ کیلیفورنیا میں سیلاب اور ٹیکساس میں برفانی طوفانوں سے لے کر ماؤئی اور کینیڈا میں جنگل کی تباہ کن آگ تک، موسم سے متعلقہ واقعات نے زندگیوں اور برادریوں کو گہرا متاثر کیا۔

جب ان واقعات کی پیشین گوئی کی بات آتی ہے تو ہر سیکنڈ کا شمار ہوتا ہے۔ AI مدد کر سکتا ہے۔

اس ہفتے، گوگل ڈیپ مائنڈ ایک AI جاری کیا جو بے مثال درستگی اور رفتار کے ساتھ 10 دن کی موسم کی پیشن گوئی فراہم کرتا ہے۔ گراف کاسٹ کہلاتا ہے، یہ ماڈل کسی مخصوص مقام کے لیے موسم سے متعلق سینکڑوں ڈیٹا پوائنٹس کا جائزہ لے سکتا ہے اور ایک منٹ سے کم وقت میں پیشین گوئیاں بنا سکتا ہے۔ ایک ہزار سے زیادہ ممکنہ موسمی نمونوں کے ساتھ چیلنج کیے جانے پر، AI نے تقریباً 90 فیصد وقت میں جدید ترین نظاموں کو شکست دی۔

لیکن گراف کاسٹ صرف الماریوں کو چننے کے لیے موسم کی زیادہ درست ایپ بنانے کے بارے میں نہیں ہے۔

اگرچہ انتہائی موسمی نمونوں کا پتہ لگانے کے لیے واضح طور پر تربیت یافتہ نہیں ہے، لیکن AI نے ان نمونوں سے منسلک کئی ماحولیاتی واقعات کو اٹھایا۔ پچھلے طریقوں کے مقابلے میں، اس نے طوفان کی رفتار کو زیادہ درست طریقے سے ٹریک کیا اور ماحولیاتی ندیوں کا پتہ لگایا - سیلاب سے وابستہ فضا میں موجود خطوں کا۔

گراف کاسٹ نے موجودہ طریقوں سے پہلے ہی انتہائی درجہ حرارت کے آغاز کی بھی پیش گوئی کی تھی۔ کے ساتھ 2024 اس سے بھی زیادہ گرم ہونے کے لیے تیار ہے۔ اور موسم کے شدید واقعات میں اضافہ ہو رہا ہے، AI کی پیشین گوئیاں کمیونٹیز کو تیاری اور ممکنہ طور پر جان بچانے کے لیے قیمتی وقت دے سکتی ہیں۔

"GraphCast اب دنیا کا سب سے درست 10 دن کا عالمی موسم کی پیشن گوئی کا نظام ہے، اور مستقبل میں انتہائی موسمی واقعات کی پیش گوئی کر سکتا ہے جتنا پہلے ممکن تھا،" مصنفین لکھا ہے ڈیپ مائنڈ بلاگ پوسٹ میں۔

بارش والے دن

موسم کے نمونوں کی پیشن گوئی کرنا، یہاں تک کہ صرف ایک ہفتہ آگے، ایک پرانا لیکن انتہائی مشکل مسئلہ ہے۔ ہم ان پیشگوئیوں پر بہت سے فیصلے کرتے ہیں۔ کچھ ہماری روزمرہ کی زندگی میں سرایت کر رہے ہیں: کیا مجھے آج اپنی چھتری پکڑنی چاہیے؟ دوسرے فیصلے زندگی یا موت کے ہوتے ہیں، جیسے کہ انخلا کے احکامات کب جاری کیے جائیں یا جگہ پر پناہ دی جائے۔

ہمارا موجودہ پیشن گوئی سافٹ ویئر زیادہ تر زمین کے ماحول کے جسمانی ماڈلز پر مبنی ہے۔ موسمی نظام کی طبیعیات کا جائزہ لے کر، سائنسدانوں نے کئی دہائیوں کے ڈیٹا سے متعدد مساواتیں لکھی ہیں، جنہیں بعد میں پیشین گوئیاں پیدا کرنے کے لیے سپر کمپیوٹرز میں کھلایا جاتا ہے۔

ایک نمایاں مثال یوروپی سنٹر فار میڈیم رینج ویدر فورکاسٹس میں مربوط پیشن گوئی کا نظام ہے۔ یہ نظام موسمی نمونوں کے بارے میں ہماری موجودہ تفہیم کی بنیاد پر نفیس حسابات کا استعمال کرتا ہے تاکہ ہر چھ گھنٹے میں پیشین گوئیاں کی جا سکیں، جو دنیا کو دستیاب موسم کی کچھ درست ترین پیشین گوئیاں فراہم کرتی ہے۔

ڈیپ مائنڈ ٹیم نے لکھا کہ یہ نظام "اور جدید موسم کی پیشن گوئی زیادہ عام طور پر، سائنس اور انجینئرنگ کی کامیابیاں ہیں۔"

سالوں کے دوران، طبیعیات پر مبنی طریقوں میں درستگی میں تیزی سے بہتری آئی ہے، جزوی طور پر زیادہ طاقتور کمپیوٹرز کی بدولت۔ لیکن وہ وقت طلب اور مہنگے رہتے ہیں۔

یہ حیرت کی بات نہیں ہے۔ موسم زمین پر سب سے پیچیدہ جسمانی نظاموں میں سے ایک ہے۔ آپ نے تتلی کے اثر کے بارے میں سنا ہوگا: ایک تتلی اپنے پروں کو پھڑپھڑاتی ہے، اور فضا میں یہ چھوٹی تبدیلی طوفان کی رفتار کو بدل دیتی ہے۔ جبکہ محض ایک استعارہ ہے، یہ موسم کی پیشین گوئی کی پیچیدگی کو اپنی گرفت میں لے لیتا ہے۔

گراف کاسٹ نے ایک مختلف طریقہ اختیار کیا۔ طبیعیات کو بھول جائیں، آئیے صرف ماضی کے موسم کے اعداد و شمار میں پیٹرن تلاش کریں۔

اے آئی میٹرولوجسٹ

گراف کاسٹ ایک قسم پر بناتا ہے۔ عصبی نیٹ ورک جو پہلے طبیعیات پر مبنی دیگر نظاموں کی پیشین گوئی کرنے کے لیے استعمال ہوتا رہا ہے، جیسے کہ سیال حرکیات۔

اس کے تین حصے ہیں۔ سب سے پہلے، انکوڈر متعلقہ معلومات کا نقشہ بناتا ہے—کہیں، درجہ حرارت اور کسی مخصوص مقام پر اونچائی—ایک پیچیدہ گراف پر۔ اس کو ایک تجریدی انفوگرافک سمجھیں جسے مشینیں آسانی سے سمجھ سکتی ہیں۔

دوسرا حصہ پروسیسر ہے جو معلومات کو آخری حصے یعنی ڈیکوڈر تک تجزیہ کرنا اور منتقل کرنا سیکھتا ہے۔ ڈیکوڈر پھر نتائج کو حقیقی دنیا کے موسم کی پیشن گوئی کے نقشے میں ترجمہ کرتا ہے۔ مجموعی طور پر، گراف کاسٹ اگلے چھ گھنٹوں کے لیے موسم کے نمونوں کی پیش گوئی کر سکتا ہے۔

لیکن چھ گھنٹے دس دن نہیں ہوتے۔ یہاں ککر ہے. AI اپنی پیشین گوئیوں سے سیکھ سکتا ہے۔ گراف کاسٹ کی پیشین گوئیاں ان پٹ کے طور پر اپنے آپ میں واپس آتی ہیں، جس سے یہ وقت کے ساتھ ساتھ موسم کی مزید پیشین گوئی کرنے کی اجازت دیتا ہے۔ ٹیم نے لکھا کہ یہ ایک طریقہ ہے جو روایتی موسم کی پیشن گوئی کے نظام میں بھی استعمال ہوتا ہے۔

گراف کاسٹ کو تقریباً چار دہائیوں کے تاریخی موسمی ڈیٹا پر تربیت دی گئی تھی۔ تقسیم اور فتح کی حکمت عملی اپناتے ہوئے، ٹیم نے کرہ ارض کو چھوٹے چھوٹے ٹکڑوں میں تقسیم کیا، خط استوا پر تقریباً 17 بائی 17 میل۔ اس کے نتیجے میں ایک ملین سے زیادہ "پوائنٹس" پوری دنیا کا احاطہ کرتے ہیں۔

ہر ایک پوائنٹ کے لیے، AI کو دو بار جمع کیے گئے ڈیٹا کے ساتھ تربیت دی گئی تھی—ایک کرنٹ، دوسرا چھ گھنٹے پہلے — اور اس میں زمین کی سطح اور ماحول سے درجنوں متغیرات شامل تھے — جیسے درجہ حرارت، نمی، اور ہوا کی رفتار اور سمت بہت سی مختلف اونچائیوں پر۔

تربیت کمپیوٹیشنل طور پر بہت زیادہ تھی اور اسے مکمل ہونے میں ایک مہینہ لگا۔

ایک بار تربیت حاصل کرنے کے بعد، تاہم، AI خود انتہائی موثر ہے۔ یہ ایک منٹ کے اندر ایک TPU کے ساتھ 10 دن کی پیشن گوئی تیار کر سکتا ہے۔ ٹیم نے وضاحت کی کہ سپر کمپیوٹرز کا استعمال کرنے والے روایتی طریقوں میں کئی گھنٹے لگتے ہیں۔

روشنی کی کرن

اپنی صلاحیتوں کو جانچنے کے لیے، ٹیم نے گراف کاسٹ کو موسم کی پیشین گوئی کے لیے موجودہ سونے کے معیار کے خلاف کھڑا کیا۔

AI تقریباً 90 فیصد وقت زیادہ درست تھا۔ اس نے خاص طور پر اس وقت شاندار کارکردگی کا مظاہرہ کیا جب صرف ٹراپوسفیئر سے حاصل ہونے والے ڈیٹا پر بھروسہ کیا گیا — جو کہ زمین کے قریب ترین ماحول ہے اور موسم کی پیشن گوئی کے لیے اہم ہے — مقابلے کو 99.7 فیصد وقت میں شکست دیتا ہے۔ گراف کاسٹ نے بھی بہتر کارکردگی کا مظاہرہ کیا۔ پنگو - موسم، ایک اعلی مقابلہ کرنے والا موسمی ماڈل جو مشین لرننگ کا استعمال کرتا ہے۔

اس ٹیم نے اگلے کئی خطرناک موسمی حالات میں گراف کاسٹ کا تجربہ کیا: اشنکٹبندیی طوفانوں کا سراغ لگانا، ماحولیاتی ندیوں کا پتہ لگانا، اور شدید گرمی اور سردی کی پیش گوئی کرنا۔ اگرچہ مخصوص "انتباہی علامات" پر تربیت یافتہ نہیں ہے، لیکن AI نے روایتی ماڈلز سے پہلے خطرے کی گھنٹی بجا دی۔

ماڈل کو کلاسک موسمیات سے بھی مدد حاصل تھی۔ مثال کے طور پر، ٹیم نے موجودہ سائیکلون ٹریکنگ سافٹ ویئر کو گراف کاسٹ کی پیشین گوئیوں میں شامل کیا۔ مجموعہ ادا ہوا. ستمبر میں، AI نے سمندری طوفان لی کی رفتار کی کامیابی کے ساتھ پیشین گوئی کی جب یہ مشرقی ساحل سے نووا اسکاٹیا کی طرف لپکا۔ سسٹم نے طوفان کے لینڈ فال کی نو دن پہلے درست پیشین گوئی کی تھی - روایتی پیشن گوئی کے طریقوں سے تین قیمتی دن تیز۔

GraphCast روایتی طبیعیات پر مبنی ماڈلز کی جگہ نہیں لے گا۔ بلکہ، ڈیپ مائنڈ کو امید ہے کہ یہ ان کو تقویت دے سکتا ہے۔ یوروپی سنٹر فار میڈیم رینج ویدر فورکاسٹ پہلے ہی ماڈل کے ساتھ تجربہ کر رہا ہے۔ یہ دیکھنے کے لیے کہ اسے ان کی پیشین گوئیوں میں کیسے ضم کیا جا سکتا ہے۔ ڈیپ مائنڈ غیر یقینی صورتحال کو سنبھالنے کی AI کی صلاحیت کو بہتر بنانے کے لیے بھی کام کر رہا ہے - موسم کے بڑھتے ہوئے غیر متوقع رویے کے پیش نظر یہ ایک اہم ضرورت ہے۔

گراف کاسٹ واحد AI ویدر مین نہیں ہے۔ ڈیپ مائنڈ اور گوگل کے محققین نے پہلے دو بنائے علاقائی ماڈل جو 90 منٹ یا 24 گھنٹے آگے مختصر مدت کے موسم کی درست پیش گوئی کر سکتا ہے۔ تاہم، گراف کاسٹ مزید آگے دیکھ سکتا ہے۔ جب معیاری موسمی سافٹ ویئر کے ساتھ استعمال کیا جاتا ہے، تو یہ مجموعہ موسم کی ہنگامی صورتحال یا موسمیاتی پالیسیوں کی رہنمائی کے فیصلوں پر اثر انداز ہو سکتا ہے۔ کم از کم، ہم اس چھتری کو کام میں لانے کے فیصلے کے بارے میں زیادہ پر اعتماد محسوس کر سکتے ہیں۔

"ہمیں یقین ہے کہ یہ موسم کی پیشن گوئی میں ایک اہم موڑ ہے،" مصنفین نے لکھا۔

تصویری کریڈٹ: Google DeepMind

• SEO سے چلنے والا مواد اور PR کی تقسیم۔ آج ہی بڑھا دیں۔
• پلیٹو ڈیٹا ڈاٹ نیٹ ورک ورٹیکل جنریٹو اے آئی۔ اپنے آپ کو بااختیار بنائیں۔ یہاں تک رسائی حاصل کریں۔
• پلیٹوآئ اسٹریم۔ ویب 3 انٹیلی جنس۔ علم میں اضافہ۔ یہاں تک رسائی حاصل کریں۔
• پلیٹو ای ایس جی۔ کاربن، کلین ٹیک، توانائی ، ماحولیات، شمسی، ویسٹ مینجمنٹ یہاں تک رسائی حاصل کریں۔
• پلیٹو ہیلتھ۔ بائیوٹیک اینڈ کلینیکل ٹرائلز انٹیلی جنس۔ یہاں تک رسائی حاصل کریں۔
• ماخذ: https://singularityhub.com/2023/11/16/google-deepmind-ai-nails-super-accurate-10-day-weather-forecasts/