MIT च्या संशोधकांनी हवामान मॉडेलिंगमध्ये एक महत्त्वपूर्ण शोध लावला आहे. त्यांनी एक असे AI टूल विकसित केले आहे जे अशा टोकाच्या हवामान घटनांचा अंदाज लावण्यास सक्षम आहे, ज्यांचा कोणताही ऐतिहासिक पूर्ववृत्त नाही. पारंपारिक मॉडेल्सच्या उलट, जे भविष्यातील अंदाजांसाठी भूतकाळातील आपत्तींवर अवलंबून असतात, ही नवीन प्रणाली एखाद्या विशिष्ट प्रदेशात कधीही न घडलेल्या परंतु सांख्यिकीयदृष्ट्या शक्य असलेल्या आपत्तींचे मॅपिंग करू शकते.

ऐतिहासिक डेटावरील अवलंबित्व मोडीत काढणे

बहुतेक आधुनिक हवामान अंदाज मॉडेल्स आणि मशीन लर्निंग अल्गोरिदममध्ये एक मूलभूत मर्यादा आहे: ते "भूतकाळाकडे पाहणारे" (backward-looking) आहेत. नमुने ओळखण्यासाठी आणि भविष्यातील धोक्यांचा अंदाज लावण्यासाठी त्यांना भूतकाळातील घटनांच्या—जसे की पूर्वीचे पूर, चक्रीवादळे किंवा उष्णतेच्या लाटा—प्रचंड डेटासेटची आवश्यकता असते. हवामान बदलाच्या युगात हे एक गंभीर अपयश ठरू शकते, जिथे बदलणारे जागतिक तापमान अशा "ब्लॅक स्वान" (black swan) हवामान घटना निर्माण करत आहे ज्या ऐतिहासिक मानकांचे उल्लंघन करतात.

मेकॅनिकल इंजिनिअरिंगचे पदवीधर विद्यार्थी कै चांग आणि प्राध्यापक थेमिस सॅप्सिस यांनी विकसित केलेले हे MIT टूल या अवलंबित्वावर मात करते. "येथे यापूर्वी काय घडले आहे?" असे विचारण्याऐवजी, हे मॉडेल सध्याच्या वातावरणीय परिस्थितीच्या आधारे "येथे काय घडू शकते?" याचे उत्तर देण्यासाठी मूळ भौतिकशास्त्र आणि सांख्यिकीय संभाव्यतेचे मूल्यमापन करते. यामुळे AI अशा अभूतपूर्व टोकाच्या घटनांसाठी अंदाज वर्तवणारे नकाशे तयार करू शकते, ज्या सांख्यिकीय संभाव्यतेच्या कक्षेत आहेत परंतु एखाद्या विशिष्ट ठिकाणच्या नोंदणीकृत इतिहासाच्या बाहेर आहेत.

"सांख्यिकीयदृष्ट्या शक्य" असलेल्या घटनांचे मॅपिंग

याचे तांत्रिक नाविन्य हे संभाव्य हवामान घटनांचे उच्च-रिझोल्यूशन मॅप तयार करण्याच्या मॉडेलच्या क्षमतेमध्ये आहे. हे नकाशे केवळ एखादी आपत्ती येऊ शकते असे सुचवत नाहीत; तर ती घटना कुठे आणि कशी प्रकट होऊ शकते याचे तपशीलवार स्थानिक दृश्यीकरण (spatial visualizations) प्रदान करतात.

महत्त्वाची गोष्ट म्हणजे, हे टूल प्रत्येक नकाशासाठी अनिश्चिततेचा अंदाज (uncertainty estimates) देखील प्रदान करते. त्याच्या अंदाजांमधील विश्वासाची पातळी मोजून, AI जोखमीच्या मूल्यांकनाचा एक सूक्ष्म स्तर प्रदान करते. आपत्कालीन प्रतिसादकर्ते आणि शहरी नियोजकांसाठी हा फरक अत्यंत महत्त्वाचा आहे, ज्यांना केवळ संभाव्य परिणामच नाही, तर अंदाजाची विश्वासार्हता देखील जाणून घेणे आवश्यक असते. ही क्षमता एका सैद्धांतिक शक्यतेला कृती करण्यायोग्य जोखीम मेट्रिकमध्ये रूपांतरित करते.

हवामान लवचिकतेच्या भविष्यासाठी हे का महत्त्वाचे आहे

व्यापक AI आणि हवामान विज्ञान क्षेत्रासाठी याचे परिणाम खोलवर आहेत. हवामान बदल वेगाने होत असताना, भविष्यातील सज्जतेसाठी "ऐतिहासिक रेकॉर्ड" हा अधिकाधिक अविश्वसनीय मार्गदर्शक बनत चालला आहे. पारंपारिक मशीन लर्निंग मॉडेल्सना "आउट-ऑफ-डिस्ट्रिब्युशन" (out-of-distribution) घटनांमुळे—म्हणजेच प्रशिक्षण डेटाच्या मर्यादेबाहेरील घटनांमुळे—धोका निर्माण होऊ शकतो.

MIT चा हा दृष्टिकोन केवळ नमुने जुळवण्याकडून (pattern matching) संभाव्यता-आधारित भौतिकशास्त्र-माहिती मॉडेलिंगकडे (probabilistic physics-informed modeling) वळतो. हवामान-तंत्रज्ञान (climate-tech) क्षेत्रातील डेव्हलपर्स आणि लवचिकता पायाभूत सुविधा निर्माण करणाऱ्या संस्थांसाठी, हे अधिक मजबूत आणि भविष्यवेधी AI कडे जाणारे पाऊल आहे. "अभूतपूर्व" गोष्टींसाठी तयार राहून, समाज प्रतिक्रियात्मक (reactive) भूमिकेतून सक्रिय (proactive) भूमिकेकडे सरकू शकतो, आणि कालच्या हवामानाऐवजी उद्याच्या हवामानासाठी शहरे आणि आपत्कालीन प्रोटोकॉल तयार करू शकतो.

मुख्य निष्कर्ष

  • इतिहासाच्या पलीकडे: MIT द्वारे विकसित केलेले AI अशा टोकाच्या हवामान घटनांचा अंदाज लावू शकते ज्यांचा एखाद्या प्रदेशाच्या ऐतिहासिक रेकॉर्डमध्ये कोणताही पूर्ववृत्त नाही.
  • संभाव्यता-आधारित मॅपिंग: हे टूल संभाव्य आपत्तींचे तपशीलवार स्थानिक नकाशे तयार करते आणि प्रत्येक अंदाजासोबत विशिष्ट अनिश्चितता अंदाज देखील देते.
  • हवामान बदलासाठी सज्जता: हे तंत्रज्ञान सध्याच्या ML मॉडेल्समधील एक महत्त्वपूर्ण त्रुटी दूर करते, ज्यामुळे बदलत्या हवामानामुळे निर्माण होणाऱ्या "ब्लॅक स्वान" हवामान घटनांविरुद्ध अधिक चांगली तयारी करणे शक्य होते.

पारंपारिक अंदाज का चुकतात

बहुतेक हवामान-अंदाज मॉडेल्स आणि बहुतेक मशीन-लर्निंग दृष्टिकोन हे "भूतकाळाकडे पाहणारे" आहेत. नमुने शिकण्यासाठी आणि भविष्यातील जोखमीचा अंदाज लावण्यासाठी त्यांना भूतकाळातील पूर, चक्रीवादळे, उष्णतेच्या लाटा इत्यादींच्या मोठ्या संग्रहाची आवश्यकता असते. ज्या जगात जागतिक तापमान ऐतिहासिक रेकॉर्डपेक्षा वेगाने बदलत आहे, तिथे हे अवलंबित्व एक अडथळा ठरते. हवामान बदल "ब्लॅक-स्वान" घटनांना जन्म देत आहे—असे वादळ, दुष्काळ किंवा उष्णतेचे प्रमाण जे भूतकाळातील निरीक्षणांच्या मर्यादेबाहेर आहे. जेव्हा एखादे मॉडेल अशा प्रकारची घटना कधीही पाहिलेले नसते, तेव्हा त्याचा आउटपुट अत्यंत चुकीचा असू शकतो किंवा अधिक वाईट म्हणजे, तो पूर्णपणे शून्य असू शकतो.

भौतिकशास्त्र-माहिती असलेला एक पर्याय

MIT प्रणाली प्रश्नाचा दृष्टिकोन पूर्णपणे बदलून टाकते. "पूर्वी येथे काय घडले आहे?" असे विचारण्याऐवजी, ही प्रणाली वातावरणातील हालचालींना चालवणारे मूलभूत भौतिकशास्त्र—वस्तुमान, संवेग आणि ऊर्जेचे अक्षय्यतेचे नियम (conservation of mass, momentum, energy)—मूल्यमापन करते आणि त्या समीकरणांना सांख्यिकीय पद्धतींशी जोडते, ज्यामुळे संभाव्य परिणामांची विस्तृत व्याप्ती तपासता येते. AI ला भौतिकशास्त्राशी जोडून, ऐतिहासिक नोंदींमध्ये कोणताही संदर्भ नसला तरीही हे मॉडेल तर्कसंगत परिस्थिती निर्माण करू शकते.

हा दृष्टिकोन "physics-informed" आहे कारण न्यूरल नेटवर्कला प्रत्यक्ष हवामानावर नियंत्रण ठेवणाऱ्या समीकरणांच्या चौकटीत ठेवले जाते. यामुळे AI भौतिकदृष्ट्या अशक्य असलेल्या स्थिती निर्माण करत नाही; केवळ डेटावर आधारित मॉडेल्सना त्यांच्या प्रशिक्षण क्षेत्राच्या पलीकडे नेले असता अशा समस्या उद्भवू शकतात. याचा परिणाम म्हणजे अशा अंदाजांचा संच मिळतो जो हवामान प्रणालीच्या गोंधळलेल्या (chaotic) स्वरूपाचे प्रतिबिंब उमटवत असतानाच सांख्यिकीय शक्यतेच्या मर्यादेत राहतो.

"सांख्यिकीयदृष्ट्या शक्य असलेल्या गोष्टींचे" मॅपिंग

याचा सर्वात स्पष्ट परिणाम म्हणजे उच्च-रिझोल्यूशन नकाशे, जे एखादी टोकाची घटना कुठे घडू शकते आणि ती किती तीव्र असू शकते हे दर्शवतात. प्रत्येक नकाशासोबत अनिश्चिततेचा अंदाज (uncertainty estimate) जोडलेला असतो, जो अंदाजावरील विश्वासार्हता मोजतो. आपत्कालीन प्रतिसादकर्ते, शहर नियोजक आणि पायाभूत सुविधा विकासकांसाठी ही अतिरिक्त माहिती महत्त्वाची ठरते: अनिश्चिततेचे अंदाज वापरकर्त्यांना विविध पर्यायांचा विचार करण्यास मदत करतात. एखाद्या प्रदेशात दुर्मिळ 'सुपर-स्टॉर्म' येण्याची कमी शक्यता असू शकते, परंतु जर 'कॉन्फिडन्स इंटरव्हल' (confidence interval) मोठा असेल, तर याचा अर्थ असा की संसाधने खर्च करण्यापूर्वी अधिक डेटा किंवा देखरेखीची आवश्यकता आहे. याउलट, उच्च-संभाव्यता असलेल्या घटनेभोवती जर 'कॉन्फिडन्स बँड' अरुंद असेल, तर तटबंदी मजबूत करणे किंवा बाहेर पडण्याचे मार्ग (evacuation routes) बदलणे यांसारख्या त्वरित प्रतिबंधात्मक उपाययोजनांचे समर्थन करता येते.

हवामान लवचिकतेसाठी (climate resilience) महत्त्व

जर हे साधन आपल्या आश्वासनाप्रमाणे काम करत असेल, तर हवामान सज्जता ही 'प्रतिक्रियात्मक' (reactive) ऐवजी 'सक्रिय' (proactive) स्थितीत बदलू शकते. क्लायमेट-टेक सोल्यूशन्सचे विकासक, नगरपालिका अधिकारी आणि आपत्ती व्यवस्थापन संस्थांना "नोंदवलेल्या" घटनांऐवजी "अभूतपूर्व" घटनांसाठी नियोजन करण्याचा मार्ग मिळेल. यामुळे अधिक स्मार्ट झोनिंग निर्णय, आपत्कालीन बजेटचे अधिक लक्ष्यित वाटप आणि टोकाच्या परिस्थिती सहन करू शकणारी पायाभूत सुविधा निर्माण करणे शक्य होईल.

व्यापक AI आणि हवामान विज्ञान समुदायालाही याचा फायदा होईल. भौतिकशास्त्र-आधारित मॉडेल्स भूतकाळातील डेटाच्या मर्यादांच्या पलीकडे जाऊ शकतात हे दाखवून देऊन, MIT चे हे कार्य केवळ 'पॅटर्न-मॅचिंग'वर असलेल्या सध्याच्या अवलंबनावर आव्हान देते. हवामान बदलत असतानाही मजबूत राहणाऱ्या AI प्रणालींकडे हे एक मार्ग सुचवते.

उघड्या प्रश्नांवर आणि मर्यादांवर

प्रणालीचा भौतिकशास्त्रावरील अवलंबून असणे सर्व चिंता दूर करत नाही. ज्या घटना कधीही घडल्या नाहीत, त्यांच्या अंदाजांची पडताळणी करणे मुळात कठीण आहे; कोणतेही मूल्यांकन हे साम्य असलेल्या घटना (analogues), कृत्रिम प्रयोग किंवा दीर्घकालीन हवामान सिम्युलेशनवर अवलंबून असावे लागते. टीकाकारांचे असे म्हणणे असू शकते की, आउटपुटचे संभाव्य स्वरूप (probabilistic nature) चुकीच्या पद्धतीने निश्चितता म्हणून समजले जाऊ शकते, विशेषतः जेव्हा ते तांत्रिक नसलेल्या भागधारकांशी (stakeholders) संवाद साधताना वापरले जाते.

पुढे काय पाहावे

थोडक्यात: कृत्रिम बुद्धिमत्तेला भौतिकशास्त्राच्या नियमांशी जोडून, MIT च्या अभियंत्यांनी ऐतिहासिक नोंदींच्या पलीकडे असलेल्या टोकाच्या हवामानाचा अंदाज वर्तवण्याचा मार्ग मोकळा केला आहे. हे उच्च-रिझोल्यूशन आणि अनिश्चिततेची जाणीव ठेवणारे जोखीम नकाशे प्रदान करते, जे बदलत्या हवामानासाठी समाज कशा प्रकारे सज्ज व्हावा, याचे स्वरूप बदलू शकतात.