هواشناسی و ابررایانه‌ها

یکی از ابررایانه‌های NOAA که در سال ۲۰۱۸ و هنگام ارتقای بزرگ این سازمان، ۸/۴ پتافلاپ قدرت پردازشی داشت.

ابررایانه‌ها، با به ارمغان آوردن توان پردازشی بی‌سابقه برای بشر، مسیر را برای محاسبات پیچیده درباره وقایع دنیای ما هموار ساخته‌اند؛ از شناخت بیشتر و شبیه‌سازی حرکت کیهان، تا شناخت کوچک‌ترین اجزای زنده جهان.

از مهم‌ترین دغدغه‌های بشر در دنیای امروز، تحولات آب‌وهوایی کره زمین است؛ تحولاتی که نه‌تنها زندگی انسان‌ها، بلکه زندگی تمام موجودات زنده کره زمین را تحت‌تأثیر و در خطر نابودی قرار می‌دهد.

محاسبات هواشناسی

شناخت و پیش‌بینی تغییرات آب‌وهوایی در مقیاس و پنجره زمانی کوچک، امری است که بشر آن را قرن‌ها انجام داده است و بخشی مهم از زندگی روزمره انسان‌ها شده است؛ اما در مقیاس‌ها و پنجره‌های زمانی وسیع‌تر، انجام دادن محاسبات لازم برای درک تغییرات و رفتار آب‌وهوا، از توان محاسباتی انسان خارج است.

دلیل این ناتوانی، طبیعت محاسبات رفتاری آب‌وهوا است. آب‌وهوای کره زمین به عنوان یک سیستم نسبتاً بسته، قابلیت پیش‌بینی‌پذیری را حداقل بر روی کاغذ داراست؛ اما یک مشکل بزرگ، سدی بر تحقق یافتن این محاسبات شده است.

مجموعه و سیستم آب‌وهوای کره زمین متشکل از میلیون‌ها زیربخش و تحولات آب‌وهوایی در نقاط مختلف دنیاست که هر یک می‌توانند تأثیر قابل‌توجهی بر سایر بخش‌ها و یا کل سیستم بگذارند. هر زیربخش این سیستم، تابع تعداد زیادی عوامل محلی است که در نهایت با تخمین و یا محاسبه این عوامل، می‌توان به شبیه‌سازی مناسبی از رفتار این بخش رسید؛ اما همان گونه که گفته شد، بخش‌های مختلف این مجموعه آب‌وهوای محلی، به‌طرز قابل‌توجهی از سایر بخش‌های این سیستم تاثیرپذیرند. نتیجه این اتصال و وابستگی بخش‌های مختلف، پیچیدگی فوق‌العاده محاسبات مجموعه کلی آب‌وهوای کره زمین است؛ محاسباتی که باید تک‌تک زیرمجموعه‌ها را شبیه‌سازی کند و بین آن‌ها ارتباط مناسب را برقرار سازد.

حجم داده‌هایی که نیازمند پردازش‌اند، تنها مشکل در راه پردازش هواشناسی نیست. برای پیش‌بینی‌های بلندمدت و حتی کوتاه‌مدت هواشناسی، ما نیازمند تشکیل مدل‌های هواشناسی از داده‌های خام جمع‌آوری‌شده با حجم انبوهی از حسگرها و ابزارهای پایش اتمسفر هستیم. تشکیل این مدل‌های پردازشی به کمک فیزیک سیالات، یا به‌طور دقیق‌تر، فیزیک اتمسفر و نهایتاً الگوریتم‌ها و معادلات پیچیده ریاضیاتی امکان‌پذیر است که طبعاً، به توان پردازشی بالایی نیاز دارد.

در مقیاس‌های زمانی طولانی‌تر و نظری‌تر هواشناسی مانند شبیه‌سازی تغییرات عظیم اقلیمی در گذشته یا آینده، عوامل بیشتری همچون تغییرات شیمیایی اتمسفر (مانند تغییرات میزان گازهای گلخانه‌ای) نیز درگیر می‌شوند که به‌شدت بر پیچیدگی محاسبات می‌افزایند.

رقابت جهانی و اهمیت پیش‌بینی هواشناسی

اداره ملی اقیانوسی و جوّی ایالات متحده آمریکا (NOAA)(1) به عنوان یکی از پیش‌گامان پیش‌بینی‌های هواشناسی و اقلیمی، در رقابت با نهادهای مختلف دیگر جهان برای کسب مقام اول در قدرت پردازشی مطالعات هواشناسی، برنامه‌های متعدد و پرهزینه‌ای را اجرا کرده است و در دست اجرا دارد که قدرت پردازشی خام این اداره را در فوریه ۲۰۲۰، مجدداً به رتبه اول دنیا بازگرداند. رویکرد این اداره و نهادهای مشابه بین‌المللی در افزایش کیفیت و سرعت این پیش‌بینی‎ها از طریق افزایش قدرت پردازشی و اطلاعات جمع‌آوری‌شده است؛ رویکردی که هزینه کلانی بر روی دست دولت‌ها گذاشته است.

هزینه کلان این دولت‌ها بر مطالعات هواشناسی و بهبود محاسبات آن‌ها، اهمیت هرچه بیشتر این محاسبات و نقش آن‌ها در دنیای ما را هویدا می‌کند. به عنوان مثال استرالیا به عنوان یکی از بزرگ‌ترین صادرکنندگان موادغذایی در جهان، اهمیت ویژه‌ای برای دقت محاسبات خود در زمینه پیش‌بینی‌های هواشناسی قائل است.

برای نشان دادن اهمیت این موضوع می‌توان به هک شدن زیرساخت‌های هواشناسی استرالیا و پیچیدگی عواقب و اهداف احتمالی آن اشاره کرد. در سال ۲۰۱۵ استرالیا هدف یک حمله سایبری بر روی زیرساخت‌های اداره هواشناسی خود قرار گرفت؛ حمله‌ای که به‌شدت توجه متخصصین امنیت سایبری و اطلاعاتی را به خود جلب کرد. برای درک اهمیت این حمله، یکی از این متخصصین اشاره می‌کند که حجم بسیار زیادی از اقتصاد استرالیا به طور مستقیم و غیرمستقیم وابسته به صادرات محصولات غذایی است و همین موضوع اهمیت این حمله را به شدت بالا می‌برد. وی موقعیت را این‌گونه شرح می‌دهد:

«احتمالاً با خود می‌گویید حمله به یک زیرساخت هواشناسی چه اهمیتی دارد. کافی است به وابستگی اقتصاد کشوری مثل استرالیا به تولید و صادرات محصولات کشاورزی نگاه کنید؛ تنها یک پیش‌بینی اشتباه هواشناسی کافی است تا ضرر مالی هنگفتی به این اقتصاد وارد شود.»

اهمیت این محاسبات و دقت آن‌ها به بازارهای داخلی محدود نمی‌شود. تحلیل‌گران، دهه‌های پیش‌رو را دوران «اطلاعات، ارزشمندتر از هر زمان دیگری» می‌دانند؛ جایی که داشتن دست برتر در کیفیت و کمیت اطلاعاتی همچون پیش‌بینی‌های اقلیمی و هواشناسی، نه‌تنها یک شاخص مهم قدرت بلکه یک منفعت و بازار بزرگ مالی تلقی می‌شود. در همین راستا بریتانیا برنامه ساخت ابررایانه ۲/۳میلیارد دلاری خود را به عنوان قوی‌ترین ابر رایانه هواشناسی کلید زده است.

ماراتن علمی برای اهداف جهانی

ماراتن جهانی بهبود نتایج پیش‌بینی‌ها، عموماً بر شاخص‌هایی مانند سرعت محاسبات و دقت نتایج نهایی تمرکز دارد؛ موضوعی که با افزایش قدرت پردازشی تا حدی قابل‌ارتقا است. با این حال، علاوه بر قدرت پردازشی، در شاخص‌هایی مانند دقت نتیجه نهایی، حجم داده‌های ورودی نقش مهمی را ایفا می‌کنند. در همین راستا، این سازمان‌ها میلیاردها ایستگاه هواشناسی بزرگ و کوچک زمینی و دریایی را اداره می‌کنند که داده‌های مهمی را در جهت افزایش کیفیت محاسبات جمع‌آوری می‌کنند. این جمع‌آوری اطلاعات محدود به ایستگاه‌های روی سطح کره زمین نبوده است و NOAA همچون رقبای خود، برنامه پیشرفته ماهواره‌ای خود را با قدرت به پیش می‌راند.

روش‌های نوین برای مشکل قدیمی

وجود پیچیدگی‌های محاسباتی، در کنار تلاش برای ارتقای سخت‌افزارهای میزبان محاسبات، منجر به تلاش دانشمندان برای تدوین شیوه‌های محاسباتی نوین و حتی استفاده از علومی مانند هوش مصنوعی به عنوان نسل جدید محاسبات هواشناسی شده است؛ راه‌حلی که آینده رقابت‌های محاسبات هواشناسی را دستخوش تغییر می‌کند.

مهم‌ترین مشکل شیوه‌های کلاسیک پیش‌بینی هواشناسی، کند بودن و نیاز بسیار بالا به منابع پردازشی است؛ روش‌هایی که با تکیه بر محاسبات فیزیکی مانند مدل‌های باروتروپیک(2)، سعی در شبیه‌سازی آب‌وهوا دارند؛ مشکلی که دانشمندان بسیاری از جمله متخصصین گوگل با روی‌آوردن به روش‌های نوین در پی حل آن برآمده‌اند.

مدل‌های بر پایه هوش مصنوعی گوگل در دی ماه ۹۸ موفق به شکست پیش‌بینی‌های کوتاه‌مدت مدل‌های کلاسیک از نظر زمان محاسبات شدند؛ محاسباتی که برای پیش‌بینی یک‌ساعته آب‌وهوای یک شهر که به گفته متخصصین گوگل با روش‌های کلاسیک و با دقت مشابه، ۶ ساعت به طول می‌انجامد اما روش نوین گوگل تنها در چند دقیقه قادر به خلق نتایج مشابه و یا حتی بهتر است.

در این روش به جای استفاده از داده‌های فیزیکی خام مانند فشار هوا، تکنیک‌های یادگیری ماشین بر روی تصاویر دوبعدی رادارهای هواشناسی اجرا شدند که نتایج شگفت‌آوری به همراه داشتند. نکته جالب، شباهت این تکنیک با روش‌های مرسوم پردازش تصویر و مدل‌های یادگیری عمیق است که نوید پیشرفت‌های بیشتر و استفاده از روش‎‌های شناخته‌شده را می‌دهد.

در این پژوهش، متخصصان از معماری U-net که یک شبکه عصبی پیچشی است برای پردازش تصاویر دوبعدی رادارهای عمومی هواشناسی استفاده کرده‌اند؛ داده‌هایی که حتی از نظر حجم اطلاعات نیز بسیار کم‌حجم‌تر از داده‌های خام تجمیع‌شده حسگرهای هواشناسی‌اند.

گرچه روش‌های توسعه‌یافته، هنوز قادر به پیش‌بینی‌های بلندمدت (مانند پیش‌بینی‌های ۱۰روزه کلاسیک) نیستند و هنوز برای اتکا در عمل بسیار نوپا هستند، اما تحقیقات صورت‌گرفته بر روش‌های نوین، نوید محاسبات سریع‌تر و کم‌هزینه‌تر را می‌دهد.

سرعت پردازش داده‌ها از نظر به‌روز بودن داده‌ها بسیار مهم است. تصور کنید مدل‌های کلاسیک قادر به پیش‌بینی هوای امروز در چهار ساعت پردازش‌اند، چهار ساعتی که به‌روز بودن داده‌ها را در معرض خطر قرار داده است و ممکن است از دقت پیش‌بینی نهایی بکاهد.

در دنیای بی‌وقفه امروز، اتکاپذیری داده‌های نهایی، از سرعت و منابع پردازشی مورداستفاده مهم‌تر تلقی می‌شود؛ اما با توجه به پیشرفت و موفقیت راهکارهای مبتنی بر هوش مصنوعی، موفقیت چنین روش‌هایی در جایگزینی روش‌های پرهزینه سنتی بدیهی به نظر می‌رسد.

نویسنده: محسن طهماسبی

پاورقی‌ها:

1- National Oceanic and Atmospheric Administration

2- barotropic

منابع:

1- Numerical weather prediction

Retrieved from

https://en.wikipedia.org/wiki/Numerical_weather_prediction

۲۰مرداد۹۹

2- Using Machine Learning to “Nowcast” Precipitation in High Resolution

Retrieved from

https://ai.googleblog.com/2020/01/using-machine-learning-to-nowcast.html