කාලගුණ අනාවැකිවල අලුත් යුගයක්! Google DeepMind ගෙනාපු WeatherNext 2

ගූගල් ඩීප්මයින්ඩ් (Google DeepMind) සහ ගූගල් රිසර්ච් (Google Research) ආයතන එක්ව කාලගුණ අනාවැකි කීමේ ලොව නවතම සහ බලවත්ම කෘත්‍රිම බුද්ධි (AI) මොඩලයක් හඳුන්වා දී තිබෙනවා. “WeatherNext 2” ලෙස නම් කර ඇති මෙය, පසුගිය වසරේ හඳුන්වා දුන් GenCast මොඩලයේ දියුණු කළ අනුප්‍රාප්තිකයෙක් වන අතර, එහි පෙර නොවූ විරූ දියුණු කිරීම් රැසක් අඩංගුයි. ගූගල් ආයතනය පවසන්නේ මෙම නව මොඩලය පෙරට වඩා අට ගුණයකින් වේගවත් බවත්, පැයක කාලයක් සඳහා වඩාත් සවිස්තරාත්මක කාලගුණ තොරතුරු ලබා දීමට තරම් ඉහළ විභේදනයකින් (resolution) යුක්ත බවත්ය. විශේෂත්වය වන්නේ, මෙය ගූගල්හි පර්යේෂණාගාරවලින් බැහැරව සාමාන්‍ය පරිශීලකයන්ටත් ප්‍රවේශ වීමට අවස්ථාව සලසා දෙන පළමු අවස්ථාව වීමයි. DeepMind ආයතනය සිය බ්ලොග් සටහනක මේ පිළිබඳව වැඩිදුර තොරතුරු දක්වා ඇති අතර, WeatherNext 2 හි දත්ත දැන් Earth Engine සහ BigQuery හරහා ලබාගත හැකියි. තවද, Google Cloud හි Vertex AI වේදිකාවටත් මෙය මුල් ප්‍රවේශ වැඩසටහනක් (early access programme) යටතේ ලබා දී තිබෙනවා. දැනටමත් Google Search, Gemini, Pixel Weather සහ Google Maps Platform හි Weather API සඳහා මෙම තාක්ෂණය භාවිත කෙරෙනවා. සරලව කිවහොත්, WeatherNext 2 හට තත්පරයකට අඩු කාලයකදී, තනි Tensor Processing Unit (TPU) එකක් (ගූගල්ගේ AI චිපය) පමණක් භාවිත කරමින්, එක් ආදානයකින් කාලගුණ තත්ත්වයන් සිය ගණනක් ජනනය කළ හැකියි. මෙය ඉතා වැදගත් වන්නේ, භෞතික විද්‍යාත්මක සිමියුලේෂන් මත පදනම් වූ සාම්ප්‍රදායික කාලගුණ මොඩලයන් සුපිරි පරිගණක භාවිතයෙන් වුවද ප්‍රතිඵල ලබා දීමට පැය ගණනක් ගතවන බැවිනි. ගූගල් පවසන පරිදි WeatherNext 2 මැනිය හැකි දියුණුවක් පෙන්නුම් කරනවා. එය GenCast මොඩලය, ප්‍රධාන විචල්‍යයන් (උෂ්ණත්වය, ආර්ද්‍රතාවය, සුළඟ වැනි) 99.9% කින්ම සහ දින 15ක් දක්වා වූ පුරෝකථන කාලයන් සඳහා අභිබවා යන බව සඳහන්. එසේම, එය පැයෙන් පැය වඩාත් සවිස්තරාත්මක අනාවැකි ලබා දිය හැකි ඉහළ කාලීන විභේදනයක් (temporal resolution) ද සපයනවා. මෙම AI මොඩලය පිටුපස ඇති තාක්ෂණය Functional Generative Network (FGN) නම් නව වාස්තු විද්‍යාවක් (architecture) මත පදනම් වී තිබෙනවා. මෙය හුදෙක් එක් හොඳම පුරෝකථනයක් පමණක් ලබා දෙනවා වෙනුවට, මොඩලයේ පරාමිතීන්ට “ව්‍යුහගත ශබ්දය” (structured “noise”) එන්නත් කිරීමෙන් විවිධ යථාර්ථවාදී සහ සුසංයෝගී කාලගුණ අනාගතයන් ජනනය කිරීමට ඉඩ සලසනවා. මෙම මොඩලය කාලගුණ විද්‍යාඥයන් “marginals” (තනි විචල්‍යයන්, උදා: උෂ්ණත්වය හෝ සුළඟ) සහ “joints” (ඒකාබද්ධ විචල්‍යයන්, උදා: සුළඟ සහ ආර්ද්‍රතාවය එක් ප්‍රදේශයක ක්‍රියා කරන ආකාරය) ලෙස හඳුන්වන දේ ඉගෙන ගන්නවා. WeatherNext 2 පුහුණු කර ඇත්තේ marginal දත්ත මත පමණක් වුවද, DeepMind පවසන්නේ එය joints අනාවැකි කීමේදීද විශිෂ්ට ලෙස ක්‍රියා කරන බවයි. මෙය අධික උෂ්ණත්වය හෝ කුණාටු වැනි සංකීර්ණ කාලගුණ රටා සඳහා වැදගත් වේ. දිනකට හතර වතාවක් ක්‍රියාත්මක වන WeatherNext 2, සෑම අවස්ථාවකදීම පැය හයක කාලගුණ අනාවැකි ලබා දෙනවා.