MIT ஆராய்ச்சியாளர்கள், வரலாற்று முன்னுதாரணங்களே இல்லாத தீவிர வானிலை நிகழ்வுகளைக் கணிக்கக்கூடிய ஒரு AI கருவியைத் தயாரிப்பதன் மூலம் காலநிலை மாதிரியாக்கத்தில் (climate modeling) ஒரு குறிப்பிடத்தக்க முன்னேற்றத்தை அடைந்துள்ளனர். கடந்த காலப் பேரழிவுகளைக் கொண்டு எதிர்காலத்தைக் கணிக்கும் பாரம்பரிய மாதிரிகளைப் போலல்லாமல், இந்த புதிய அமைப்பு ஒரு குறிப்பிட்ட பிராந்தியத்தில் இதுவரை நிகழாத, புள்ளிவிவர ரீதியாக சாத்தியமான பேரழிவுகளை வரைபடமாக்க முடியும்.

வரலாற்றுத் தரவுகளின் மீதான சார்பை உடைத்தல்

பெரும்பாலான சமகால வானிலை முன்னறிவிப்பு மாதிரிகள் மற்றும் இயந்திரக் கற்றல் (machine learning) வழிமுறைகள் ஒரு அடிப்படை வரம்பைக் கொண்டுள்ளன: அவை "கடந்த காலத்தை நோக்கியவை". முந்தைய வெள்ளப்பெருக்குகள், சூறாவளிகள் அல்லது வெப்ப அலைகள் போன்ற கடந்த கால நிகழ்வுகளின் பரந்த தரவுத்தொகுப்புகள், வடிவங்களைக் கண்டறியவும் எதிர்கால அபாயங்களைக் கணிக்கவும் அவற்றுக்குத் தேவைப்படுகின்றன. உலகளாவிய வெப்பநிலை மாற்றங்கள் வரலாற்று விதிமுறைகளை மீறும் "பிளாக் ஸ்வான்" (black swan) வானிலை நிகழ்வுகளை உருவாக்கி வரும் இந்த காலநிலை மாற்றக் காலத்தில், இது ஒரு முக்கியமான தோல்விப் புள்ளியாக மாறுகிறது.

இயந்திரப் பொறியியல் பட்டதாரி மாணவர் கை சாங் (Kai Chang) மற்றும் பேராசிரியர் தெமிஸ் சப்சிஸ் (Themis Sapsis) ஆகியோரால் உருவாக்கப்பட்ட இந்த MIT கருவி, இந்தச் சார்பைத் தவிர்க்கிறது. "இங்கே இதற்கு முன்பு என்ன நடந்தது?" என்று கேட்பதற்குப் பதிலாக, இந்த மாதிரி, "தற்போதைய வளிமண்டல நிலவரங்களின் அடிப்படையில் இங்கே என்ன நடக்க வாய்ப்புள்ளது?" என்ற கேள்விக்குப் பதிலளிக்க அடிப்படை இயற்பியல் மற்றும் புள்ளிவிவர நிகழ்தகவுகளை மதிப்பீடு செய்கிறது. இது, ஒரு குறிப்பிட்ட இடத்தின் பதிவு செய்யப்பட்ட வரலாற்றிற்கு வெளியே இருந்தாலும், புள்ளிவிவர சாத்தியக்கூறுகளுக்குள் இருக்கும் முன்னெப்போதும் இல்லாத தீவிர நிகழ்வுகளுக்கான முன்னறிவிப்பு வரைபடங்களை உருவாக்க AI-க்கு அனுமதிக்கிறது.

"புள்ளிவிவர ரீதியாக சாத்தியமானவற்றை" வரைபடமாக்குதல்

இந்த மாதிரியின் தொழில்நுட்பப் புதுமை, சாத்தியமான வானிலை நிகழ்வுகளின் உயர் தெளிவுத்திறன் (high-resolution) வரைபடங்களை உருவாக்கும் திறனில் உள்ளது. இந்த வரைபடங்கள் ஒரு பேரழிவு ஏற்படலாம் என்று மட்டும் பரிந்துரைப்பதில்லை; ஒரு நிகழ்வு எங்கே மற்றும் எப்படி வெளிப்படலாம் என்பதன் விரிவான இடஞ்சார்ந்த காட்சிப்படுத்தல்களை (spatial visualizations) வழங்குகின்றன.

முக்கியமாக, இந்த கருவி ஒவ்வொரு வரைபடத்திற்கும் நிச்சயமற்ற தன்மை மதிப்பீடுகளையும் (uncertainty estimates) வழங்குகிறது. அதன் முன்னறிவிப்புகளில் உள்ள நம்பிக்கையின் அளவை அளவிடுவதன் மூலம், AI அபாய மதிப்பீட்டில் ஒரு நுணுக்கமான அடுக்கை வழங்குகிறது. அவசரக்கால மீட்புப் படையினர் மற்றும் நகர்ப்புறத் திட்டமிடுபவர்களுக்கு, சாத்தியமான பாதிப்பை மட்டுமல்லாமல், முன்னறிவிப்பின் நம்பகத்தன்மையையும் தெரிந்துகொள்வது அவசியம் என்பதால் இந்த வேறுபாடு மிக முக்கியமானது. இந்தத் திறன் ஒரு தத்துவார்த்த சாத்தியக்கூறுகளைச் செயல்படுத்துவதற்குத் தயாராக இருக்கும் ஒரு அபாய அளவீடாக மாற்றுகிறது.

காலநிலை மீள்தன்மையின் எதிர்காலத்திற்கு இது ஏன் முக்கியமானது

பரந்த AI மற்றும் காலநிலை அறிவியல் சூழலில் இதன் தாக்கங்கள் ஆழமானவை. காலநிலை மாற்றம் வேகமடையும் போது, எதிர்காலத் தயார்நிலைக்கு "வரலாற்றுப் பதிவு" என்பது பெருகிய முறையில் நம்பகத்தன்மையற்ற வழிகாட்டியாக மாறி வருகிறது. பாரம்பரிய இயந்திரக் கற்றல் மாதிரிகள், அவற்றின் பயிற்சித் தரவுகளின் வரம்பிற்கு அப்பாற்பட்ட நிகழ்வுகளால் (out-of-distribution events) திடுக்கிடப்படும் அபாயம் உள்ளது.

MIT-இன் அணுகுமுறை, வடிவங்களை ஒப்பிடுவதிலிருந்து (pattern matching), நிகழ்தகவு சார்ந்த இயற்பியல் அடிப்படையிலான மாதிரியாக்கத்திற்கு (probabilistic physics-informed modeling) மாற்றுகிறது. காலநிலை-தொழில்நுட்பத் துறையில் உள்ள உருவாக்குநர்கள் மற்றும் மீள்தன்மை உள்கட்டமைப்பை உருவாக்கும் நிறுவனர்களுக்கு, இது மிகவும் வலுவான, எதிர்காலத்திற்குத் தயாரான AI நோக்கிய நகர்வைக் குறிக்கிறது. "முன்னெப்போதும் இல்லாதவற்றிற்கு" தயாராவதன் மூலம், சமூகம் ஒரு எதிர்வினை ஆற்றும் நிலையிலிருந்து (reactive stance), ஒரு முன்முயற்சி எடுக்கும் நிலைக்கு (proactive stance) நகர முடியும்; அதாவது நேற்றைய வானிலைக்குப் பதிலாக, நாளைய வானிலைக்கு ஏற்ப நகரங்கள் மற்றும் அவசரக்கால நெறிமுறைகளை வடிவமைக்க முடியும்.

முக்கியக் குறிப்புகள்

  • வரலாற்றைத் தாண்டி: MIT உருவாக்கிய AI, ஒரு பிராந்தியத்தின் வரலாற்றுப் பதிவில் இதற்கு முன் நிகழாத தீவிர வானிலை நிகழ்வுகளைக் கணிக்க முடியும்.
  • நிகழ்தகவு வரைபடமாக்கம்: இந்த கருவி சாத்தியமான பேரழிவுகளின் விரிவான இடஞ்சார்ந்த வரைபடங்களை உருவாக்குவதோடு, ஒவ்வொரு முன்னறிவிப்பிற்கும் குறிப்பிட்ட நிச்சயமற்ற தன்மை மதிப்பீடுகளையும் வழங்குகிறது.
  • காலநிலை மாற்றத் தயார்நிலை: இந்தத் தொழில்நுட்பம் தற்போதைய ML மாதிரிகளில் உள்ள ஒரு முக்கியமான இடைவெளியை நிவர்த்தி செய்கிறது, இது மாறிவரும் காலநிலையால் தூண்டப்படும் "பிளாக் ஸ்வான்" வானிலை நிகழ்வுகளுக்கு எதிராகச் சிறந்த முறையில் தயாராக அனுமதிக்கிறது.

பாரம்பரிய முன்னறிவிப்புகள் ஏன் தடுமாறுகின்றன

பெரும்பாலான வானிலை முன்னறிவிப்பு மாதிரிகள் மற்றும் இயந்திரக் கற்றல் அணுகுமுறைகள் "கடந்த காலத்தை நோக்கியவை". வடிவங்களைக் கற்றுக்கொள்ளவும் எதிர்கால அபாயத்தைக் கணிக்கவும் கடந்த கால வெள்ளப்பெருக்குகள், சூறாவளிகள், வெப்ப அலைகள் போன்ற பெரிய ஆவணங்கள் அவற்றுக்குத் தேவைப்படுகின்றன. உலகளாவிய வெப்பநிலை வரலாற்றுப் பதிவுகளை விட வேகமாக மாறிவரும் உலகில், அந்தச் சார்பு ஒரு பலவீனமாக மாறுகிறது. காலநிலை மாற்றம் "பிளாக் ஸ்வான்" நிகழ்வுகளை உருவாக்குகிறது—அதாவது கடந்த கால அவதானிப்புகளின் வரம்பிற்கு அப்பாற்பட்ட புயல்கள், வறட்சிகள் அல்லது வெப்ப அதிகரிப்புகள். ஒரு மாதிரி ஒப்பிடக்கூடிய ஒரு வழக்கை பார்த்திராதபோது, அதன் வெளியீடு மிகவும் துல்லியமற்றதாகவோ அல்லது மோசமாக இருந்தால், முற்றிலும் அமைதியாகவோ இருக்கலாம்.

இயற்பியல் சார்ந்த ஒரு மாற்று வழி

MIT அமைப்பு இந்தக் கேள்வியைத் தலைகீழாக மாற்றுகிறது. "இதற்கு முன்பு என்ன நடந்தது?" என்று கேட்பதற்குப் பதிலாக, இது வளிமண்டல இயக்கத்தை இயக்கும் அடிப்படை இயற்பியலை—நிறை மாறா விதி (conservation of mass), உந்தம் (momentum), ஆற்றல் (energy)—மதிப்பீடு செய்கிறது; மேலும் அந்தச் சமன்பாடுகளை சாத்தியமான பல முடிவுகளை ஆராயும் புள்ளிவிவர முறைகளுடன் இணைக்கிறது. AI-ஐ இயற்பியலுடன் இணைப்பதன் மூலம், வரலாற்றுத் தரவுகள் வழிகாட்டாத போதும், இந்த மாதிரி நம்பகமான சூழல்களை உருவாக்க முடியும்.

இந்த அணுகுமுறை "இயற்பியல் சார்ந்தது" (physics-informed) என்று அழைக்கப்படுகிறது, ஏனெனில் நரம்பியல் வலைப்பின்னல் (neural network) உண்மையான வானிலையைத் தீர்மானிக்கும் அதே சமன்பாடுகளால் கட்டுப்படுத்தப்படுகிறது. இது AI இயற்பியல் ரீதியாகச் சாத்தியமற்ற நிலைகளை உருவாக்குவதைத் தடுக்கிறது; தரவுகளை மட்டுமே அடிப்படையாகக் கொண்ட மாதிரிகள் அவற்றின் பயிற்சி எல்லைக்கு அப்பால் செல்லும்போது இத்தகைய சிக்கல்கள் ஏற்படக்கூடும். இதன் விளைவாகக் கிடைக்கும் முன்னறிவிப்புகள், காலநிலை அமைப்பின் குழப்பமான தன்மையை பிரதிபலிக்கும் அதே வேளையில், புள்ளிவிவர ரீதியாகச் சாத்தியமான வரம்பிற்குள்ளேயே இருக்கும்.

"புள்ளிவிவர ரீதியாகச் சாத்தியமானவற்றை" வரைபடமாக்குதல்

இதன் மிக முக்கியமான வெளியீடு, ஒரு தீவிரமான நிகழ்வு எங்கு நிகழக்கூடும் மற்றும் அது எவ்வளவு கடுமையானதாக இருக்கலாம் என்பதைக் காட்டும் உயர்-தெளிவுத்திறன் (high-resolution) வரைபடங்களாகும். ஒவ்வொரு வரைபடமும், அந்த முன்னறிவிப்பின் மீதான நம்பிக்கையை அளவிடும் ஒரு நிச்சயமற்ற தன்மை மதிப்பீட்டுடன் (uncertainty estimate) இணைக்கப்பட்டுள்ளது. அவசரக்கால மீட்புப் படையினர், நகரத் திட்டமிடுபவர்கள் மற்றும் உள்கட்டமைப்பு மேம்பாட்டாளர்களுக்கு இந்த கூடுதல் தகவல் முக்கியமானது: நிச்சயமற்ற தன்மை மதிப்பீடுகள் பயனர்கள் இலாப-நஷ்டங்களை (trade-offs) எடைபோடவும் உதவுகின்றன. ஒரு பிராந்தியத்தில் அரிதான ஒரு பெரும் புயல் (super-storm) ஏற்பட மிதமான வாய்ப்பு இருக்கலாம், ஆனால் அதன் நம்பிக்கை இடைவெளி (confidence interval) அதிகமாக இருக்கலாம்; இது வளங்களைச் செலவிடுவதற்கு முன் கூடுதல் தரவுகள் அல்லது கண்காணிப்பு தேவை என்பதைக் குறிக்கிறது. மாறாக, அதிக நிகழ்தகவு கொண்ட ஒரு நிகழ்வின் போது குறுகிய நம்பிக்கை வரம்பு இருந்தால், தடுப்பணைகளை வலுப்படுத்துதல் அல்லது வெளியேற்றப் பாதைகளை மாற்றுதல் போன்ற உடனடித் தடுப்பு நடவடிக்கைகளை மேற்கொள்ள அது வழிவகுக்கும்.

காலநிலை மீள்திறனுக்கான முக்கியத்துவம்

இந்தத் கருவி அதன் வாக்குறுதியைக் காப்பாற்றினால், காலநிலைத் தயார்நிலையை ஒரு எதிர்வினை ஆற்றும் நிலையிலிருந்து (reactive), முன்கூட்டியே செயல்படும் நிலைக்கு (proactive) மாற்ற முடியும். காலநிலை-தொழில்நுட்பத் தீர்வுகளை உருவாக்குபவர்கள், நகராட்சி அதிகாரிகள் மற்றும் பேரிடர் மேலாண்மை முகமைகளுக்கு, "பதிவு செய்யப்பட்ட" நிகழ்வுகளை விட "முன்பே இல்லாத" நிகழ்வுகளுக்குத் திட்டமிட ஒரு வழி கிடைக்கும். இது புத்திசாலித்தனமான மண்டலத் திட்டமிடல் (zoning decisions), அவசரக்கால வரவு செலவுத் திட்டங்களை இலக்கு வைத்து ஒதுக்குதல் மற்றும் பரந்த அளவிலான தீவிர நிலைகளைத் தாங்கக்கூடிய உள்கட்டமைப்பு ஆகியவற்றிற்கு வழிவகுக்கும்.

பரந்த அளவிலான AI மற்றும் காலநிலை அறிவியல் சமூகங்களும் இதிலிருந்து பயனடையும். இயற்பியல் சார்ந்த மாதிரிகள் கடந்த காலத் தரவுகளின் எல்லைகளைத் தாண்டிச் செயல்பட முடியும் என்பதை நிரூபிப்பதன் மூலம், MIT-இன் இந்த ஆய்வு, வெறும் வடிவங்களை ஒப்பிடுவதை (pattern-matching) மட்டுமே நம்பியிருக்கும் தற்போதைய முறையைச் சவாலுக்கு உட்படுத்துகிறது. காலநிலை மாறிக் கொண்டே இருக்கும் சூழலிலும் வலுவாக இருக்கும் AI அமைசம்களுக்கான ஒரு பாதையை இது காட்டுகிறது.

திறந்த கேள்விகள் மற்றும் வரம்புகள்

இந்த அமைப்பு இயற்பியலைச் சார்ந்திருப்பது அனைத்து கவலைகளையும் நீக்கிவிடாது. இதுவரை நிகழாத நிகழ்வுகளுக்கான முன்னறிவிப்புகளைச் சரிபார்ப்பது இயல்பாகவே கடினமானது; எந்தவொரு மதிப்பீடும் ஒத்த நிகழ்வுகள் (analogues), செயற்கை சோதனைகள் அல்லது நீண்டகால காலநிலை உருவகப்படுத்துதல்களை (simulations) சார்ந்திருக்க வேண்டும். இதன் வெளியீட்டின் நிகழ்தகவுத் தன்மை (probabilistic nature), குறிப்பாகத் தொழில்நுட்ப அறிவு இல்லாதவர்களுக்குத் தெரிவிக்கப்படும்போது, அது ஒரு உறுதித்தன்மை (certainty) என்று தவறாகப் புரிந்துகொள்ளப்படலாம் என்று விமர்சகர்கள் வாதிடலாம்.

அடுத்து கவனிக்க வேண்டியவை

முக்கியக் கருத்து: செயற்கை நுண்ணறிவை இயற்பியல் விதிகளுடன் இணைப்பதன் மூலம், MIT பொறியாளர்கள் வரலாற்றுத் தரவுகளுக்கு அப்பாற்பட்ட தீவிர வானிலை நிகழ்வுகளை முன்னறிவிப்பதற்கான ஒரு வழியைத் திறந்துள்ளனர். இது உயர்-தெளிவுத்திறன் கொண்ட மற்றும் நிச்சயமற்ற தன்மையைக் கருத்தில் கொண்ட இடர் வரைபடங்களை வழங்குவதன் மூலம், மாறிவரும் காலநிலைக்கு சமூகங்கள் எவ்வாறு தயாராக வேண்டும் என்பதை மறுவரையறை செய்யக்கூடும்.