‘जेनकास्ट’

संदर्भ

गूगल डीपमाइंड ने जेनकास्ट विकसित किया है, जो एक मशीन-लर्निंग मौसम पूर्वानुमान मॉडल है, जो पारंपरिक पूर्वानुमान प्रणालियों से बेहतर प्रदर्शन करता है।

जेनकास्ट के संबंध में

• जेनकास्ट एक उन्नत मौसम पूर्वानुमान प्रणाली है, जो मशीन लर्निंग द्वारा संचालित है और वर्ष 1979-2018 के ऐतिहासिक पुनर्विश्लेषण डेटा पर प्रशिक्षित है।
• कार्यप्रणाली: यह AI इमेज निर्माण के समान प्रसार मॉडल दृष्टिकोण का उपयोग करता है।
  • यादृच्छिक शोर से प्रारंभ करके और तंत्रिका नेटवर्क का उपयोग करके इसे परिष्कृत करके कई पूर्वानुमान (समूह पूर्वानुमान) उत्पन्न करता है।
  • सर्वोत्तम अनुमान निर्धारित करने और अनिश्चितता का आकलन करने के लिए पूर्वानुमानों को जोड़ता है।
• प्रदर्शन: पारंपरिक संख्यात्मक मौसम पूर्वानुमान प्रणालियों से बेहतर प्रदर्शन करता है, जिसमें यूरोपीय मध्यम-श्रेणी मौसम पूर्वानुमान केंद्र द्वारा उपयोग की जाने वाली प्रणाली भी शामिल है।
  • सतह पर तापमान, दबाव, आर्द्रता और हवा की गति तथा 13 अलग-अलग ऊँचाइयों जैसे वायुमंडलीय चरों के लिए पूर्वानुमान तैयार करता है।
• दक्षता: टेंसर प्रोसेसर यूनिट (Tensor Processor Unit-TPU) पर मात्र 8 मिनट में 15 दिनों तक की भविष्यवाणियाँ करता है, जो सामान्य परिसंचरण मॉडल की तुलना में कहीं अधिक तीव्र है।
  • मॉडल को 32 TPU पर प्रशिक्षित करने में पाँच दिन लगे।

जेनकास्ट के अनुप्रयोग

• मौसम पूर्वानुमान: अल्पकालिक और मध्यम अवधि के मौसम पूर्वानुमानों की सटीकता को बढ़ाता है।
  • पूर्वानुमानों की विश्वसनीयता में सुधार करता है, पहले के मशीन-लर्निंग मॉडल के विशिष्ट “समतल” प्रभावों को कम करता है।
• परिचालन दक्षता: उच्च-प्रदर्शन सुपरकंप्यूटिंग सिस्टम की तुलना में कम कंप्यूटेशनल संसाधनों की आवश्यकता होती है।
  • मशीन-लर्निंग आधारित पूर्वानुमानों के लिए प्रारंभिक स्थितियाँ प्रदान करके पारंपरिक मॉडलों को पूरक बना सकता है।

जेनकास्ट की सीमाएँ

• दीर्घकालिक जलवायु अनुमानों के लिए अनुपयुक्तता: जेनकास्ट को अल्पकालिक मौसम पूर्वानुमानों (15 दिनों तक) के लिए डिजाइन किया गया है और यह महासागर, भूमि तथा समुद्री बर्फ के लिए स्थिर स्थितियों को मानता है।
  • ये धारणाएँ इसे जलवायु अनुमानों के लिए अनुपयुक्त बनाती हैं, जिसके लिए दशकों में धीमी गति से बदलते कारकों के गतिशील मॉडलिंग की आवश्यकता होती है।
• वर्तमान मौसम अवलोकनों पर निर्भरता: मॉडल पूर्वानुमान लगाने के लिए वर्तमान वायुमंडलीय स्थितियों के बारे में विस्तृत, सटीक डेटा पर बहुत अधिक निर्भर करता है।
  • वर्तमान मौसम पर यह ध्यान दीर्घकालिक जलवायु रुझानों को संबोधित करने की इसकी क्षमता को सीमित करता है, जहाँ ऐसा डेटा अप्रासंगिक हो जाता है।
• “छोटे डेटा” के साथ असंगति की समस्याएँ: जेनकास्ट मौसम पूर्वानुमान में अवलोकन डेटा (“बड़ा डेटा”) की प्रचुरता के कारण उत्कृष्ट है।
  • हालाँकि, जलवायु अनुमानों के लिए, जहाँ डेटा कम है और घटनाएँ धीरे-धीरे घटित होती हैं, मॉडल में अतिरिक्त भौतिकी-सूचित ढाँचों के बिना आवश्यक अनुकूलनशीलता का अभाव है।

भविष्य का एकीकरण: सटीकता और दक्षता में सुधार के लिए भौतिकी आधारित विधियों, जैसे भौतिकी सूचित तंत्रिका नेटवर्क के साथ एकीकृत किया जा सकता है।

• मशीन लर्निंग और मौलिक भौतिकी (जैसे, द्रव यांत्रिकी और ऊष्मप्रवैगिकी) मौसम पूर्वानुमान और जलवायु विज्ञान दोनों को आगे बढ़ाने के लिए सह-अस्तित्व में रहेंगे।

DOWNLOAD PDF