MIT ના સંશોધકોએ એક એવું AI ટૂલ વિકસાવીને આબોહવા મોડેલિંગ (climate modeling) માં એક મહત્વપૂર્ણ સફળતા મેળવી છે જે એવા અત્યંત હવામાનની ઘટનાઓની આગાહી કરી શકે છે જેનો કોઈ ઐતિહાસિક પૂર્વવર્તમાન નથી. ભૂતકાળની આપત્તિઓ પર આધારિત પરંપરાગત મોડેલોથી વિપરીત, આ નવી સિસ્ટમ એવા આંકડાકીય રીતે શક્ય હોઈ શકે તેવા વિનાશકારી બનાવોનું મેપિંગ કરી શકે છે જે ક્યારેય કોઈ ચોક્કસ પ્રદેશમાં બન્યા નથી.

ઐતિહાસિક ડેટા પરની નિર્ભરતા તોડવી

મોટાભાગના સમકાલીન હવામાન આગાહી મોડેલો અને મશીન લર્નિંગ અલ્ગોરિધમ્સ એક મૂળભૂત મર્યાદાથી પીડાય છે: તેઓ "ભૂતકાળ તરફ જોનારા" (backward-looking) છે. પેટર્નને ઓળખવા અને ભવિષ્યના જોખમોની આગાહી કરવા માટે તેમને ભૂતકાળની ઘટનાઓના વિશાળ ડેટાસેટની જરૂર પડે છે—જેમ કે અગાઉના પૂર, વાવાઝોડા અથવા હીટવેવ. આબોહવા પરિવર્તનના યુગમાં આ એક ગંભીર નિષ્ફળતાનું કારણ બની શકે છે, જ્યાં બદલાતા વૈશ્વિક તાપમાન "બ્લેક સ્વાન" (black swan) હવામાનની ઘટનાઓ પેદા કરી રહ્યા છે જે ઐતિહાસિક ધોરણોને પડકારે છે.

મિકેનિકલ એન્જિનિયરિંગના ગ્રેજ્યુએટ સ્ટુડન્ટ કાઈ ચાંગ અને પ્રોફેસર થેમિસ સાપ્સીસ દ્વારા વિકસાવવામાં આવેલ આ MIT ટૂલ આ નિર્ભરતાને દૂર કરે છે. "અહીં પહેલા શું બન્યું છે?" તે પૂછવાને બદલે, આ મોડેલ વર્તમાન વાતાવરણીય સ્થિતિના આધારે, "અહીં શું થઈ શકે છે?" તે જવાબ આપવા માટે મૂળભૂત ભૌતિકશાસ્ત્ર અને આંકડાકીય સંભાવનાઓનું મૂલ્યાંકન કરે છે. આનાથી AI એવા અગાઉ ન ક્યારેય બનેલા અત્યંત હવામાનના બનાવો માટે આગાહીના નકશા તૈયાર કરી શકે છે જે આંકડાકીય શક્યતાની મર્યાદામાં છે પરંતુ ચોક્કસ સ્થળના નોંધાયેલા ઇતિહાસની બહાર છે.

"આંકડાકીય રીતે શક્ય" ઘટનાઓનું મેપિંગ

આ ટેકનિકલ નવીનતા સંભવિત હવામાનની ઘટનાઓના ઉચ્ચ-રિઝોલ્યુશન નકશા બનાવવાની મોડેલની ક્ષમતામાં રહેલી છે. આ નકશા માત્ર એવું સૂચવતા નથી કે આપત્તિ આવી શકે છે; તેઓ ક્યાં અને કેવી રીતે ઘટના બની શકે છે તેના વિગતવાર સ્પેસિયલ વિઝ્યુલાઇઝેશન (spatial visualizations) પૂરા પાડે છે.

મહત્વપૂર્ણ રીતે, આ ટૂલ દરેક નકશા માટે અનિશ્ચિતતાના અંદાજો (uncertainty estimates) પણ પૂરા પાડે છે. તેની આગાહીઓમાં વિશ્વાસના સ્તરને માપીને, AI જોખમ આકારણીનું એક સૂક્ષ્મ સ્તર પૂરું પાડે છે. આ તફાવત ઇમરજન્સી રિસ્પોન્ડર્સ અને અર્બન પ્લાનર્સ માટે અત્યંત મહત્વપૂર્ણ છે જેમને માત્ર સંભવિત અસર જ નહીં, પરંતુ આગાહીની વિશ્વસનીયતા વિશે પણ જાણવાની જરૂર હોય છે. આ ક્ષમતા એક સૈદ્ધાંતિક શક્યતાને સક્રિય જોખમ માપદંડમાં ફેરવે છે.

આબોહવા સ્થિતિસ્થાપકતાના ભવિષ્ય માટે આ શા માટે મહત્વનું છે

વ્યાપક AI અને આબોહવા વિજ્ઞાનના ક્ષેત્ર માટે આના અસરો ઊંડી છે. જેમ જેમ આબોહવા પરિવર્તન ઝડપી બની રહ્યું છે, તેમ તેમ "ઐતિહાસિક રેકોર્ડ" ભવિષ્યની સજ્જતા માટે વધુને વધુ અવિશ્વસનીય માર્ગદર્શક બની રહ્યો છે. પરંપરાગત મશીન લર્નિંગ મોડેલો "આઉટ-ઓફ-ડિસ્ટ્રિબ્યુશન" (out-of-distribution) ઘટનાઓ દ્વારા આંચકા ખાવાનું જોખમ ધરાવે છે—એવી ઘટનાઓ જે તાલીમ ડેટાની મર્યાદાની બહાર હોય છે.

MIT નો અભિગમ પેટર્ન મેચિંગથી બદલાઈને સંભાવનાત્મક ભૌતિકશાસ્ત્ર-આધારિત મોડેલિંગ (probabilistic physics-informed modeling) તરફ જાય છે. ક્લાયમેટ-ટેક ક્ષેત્રના ડેવલપર્સ અને સ્થિતિસ્થાપક ઇન્ફ્રાસ્ટ્રક્ચર બનાવતા સ્થાપકો માટે, આ વધુ મજબૂત અને ભવિષ્ય માટે સુરક્ષિત AI તરફનું પગલું છે. "અગાઉ ન ક્યારેય બનેલી" ઘટનાઓ માટે તૈયાર રહીને, સમાજ પ્રતિક્રિયાત્મક વલણથી સક્રિય વલણ તરફ આગળ વધી શકે છે, જે ગઈકાલના હવામાનને બદલે આવતીકાલના હવામાન માટે શહેરો અને ઇમરજન્સી પ્રોટોકોલ ડિઝાઇન કરી શકે છે.

મુખ્ય મુદ્દાઓ

  • ઇતિહાસથી પર: MIT દ્વારા વિકસિત AI એવા અત્યંત હવામાનની ઘટનાઓની આગાહી કરી શકે છે જેનો કોઈ પ્રદેશના ઐતિહાસિક રેકોર્ડમાં અગાઉ કોઈ ઉલ્લેખ નથી.
  • સંભાવનાત્મક મેપિંગ: આ ટૂલ સંભવિત આપત્તિઓના વિગતવાર સ્પેસિયલ નકશા બનાવે છે જેની સાથે દરેક આગાહી માટે ચોક્કસ અનિશ્ચિતતાના અંદાજો પણ હોય છે.
  • આબોહવા પરિવર્તન માટે સજ્જતા: આ ટેકનોલોજી વર્તમાન ML મોડેલોમાં રહેલી એક મહત્વપૂર્ણ ખામીને દૂર કરે છે, જે બદલાતી આબોહવાને કારણે સર્જાતી "બ્લેક સ્વાન" હવામાનની ઘટનાઓ સામે વધુ સારી તૈયારી કરવામાં મદદ કરે છે.

પરંપરાગત આગાહીઓ શા માટે નિષ્ફળ જાય છે

મોટાભાગના હવામાન-આગાહી મોડેલો અને મોટાભાગના મશીન-લર્નિંગ અભિગમો "ભૂતકાળ તરફ જોનારા" છે. પેટર્ન શીખવા અને ભવિષ્યના જોખમોનું અનુમાન લગાવવા માટે તેમને ભૂતકાળના પૂર, વાવાઝોડા, હીટવેવ વગેરેના મોટા આર્કાઇવ્સની જરૂર હોય છે. એવી દુનિયામાં જ્યાં વૈશ્વિક તાપમાન ઐતિહાસિક રેકોર્ડ કરતાં વધુ ઝડપથી બદલાઈ રહ્યું છે, ત્યાં આ નિર્ભરતા એક નબળાઈ બની જાય છે. આબોહવા પરિવર્તન "બ્લેક-સ્વાન" ઘટનાઓ પેદા કરી રહ્યું છે—વાવાઝોડા, દુષ્કાળ અથવા તાપમાનમાં અચાનક વધારો જે ભૂતકાળના અવલોકનોની મર્યાદાની બહાર છે. જ્યારે મોડેલે ક્યારેય સમાન કેસ જોયો ન હોય, ત્યારે તેનું પરિણામ અત્યંત અચોક્કસ અથવા વધુ ખરાબ રીતે, સાવ શાંત (કોઈ માહિતી વગરનું) બની શકે છે.

એક ભૌતિકશાસ્ત્ર-આધારિત વિકલ્પ

MIT સિસ્ટમ પ્રશ્નને સંપૂર્ણપણે ઉલટાવી દે છે. "અહીં પહેલા શું બન્યું છે?" એવું પૂછવાને બદલે, તે વાતાવરણની ગતિશીલતાને ચલાવતા મૂળભૂત ભૌતિકશાસ્ત્ર—દળનું સંરક્ષણ (conservation of mass), વેગમાન (momentum), ઊર્જા—નું મૂલ્યાંકન કરે છે અને તે સમીકરણોને આંકડાકીય પદ્ધતિઓ સાથે જોડે છે જે શક્ય પરિણામોની વિશાળ શ્રેણીનું અન્વેષણ કરે છે. AI ને ભૌતિકશાસ્ત્ર સાથે જોડીને, આ મોડેલ એવા સંજોગોમાં પણ વ્યાજબી પરિસ્થિતિઓ પેદા કરી શકે છે જ્યારે ઐતિહાસિક રેકોર્ડ કોઈ માર્ગદર્શન આપતા નથી.

આ અભિગમ "ફિઝિક્સ-ઇન્ફોર્મ્ડ" (physics-informed) છે કારણ કે ન્યુરલ નેટવર્ક એ જ સમીકરણો દ્વારા મર્યાદિત છે જે વાસ્તવિક હવામાનનું સંચાલન કરે છે. આ AI ને ભૌતિક રીતે અશક્ય સ્થિતિઓ બનાવતા અટકાવે છે, જે એક એવી સમસ્યા છે જે માત્ર ડેટા-આધારિત મોડેલ્સમાં જોવા મળે છે જ્યારે તેમને તેમના તાલીમ ક્ષેત્ર (training domain) ની બહાર ધકેલવામાં આવે છે. તેનું પરિણામ એવા આગાહીઓનો સમૂહ છે જે આંકડાકીય શક્યતાના ક્ષેત્રમાં રહે છે અને સાથે સાથે ક્લાયમેટ સિસ્ટમની અરાજકતાપૂર્ણ (chaotic) પ્રકૃતિને પણ પ્રતિબિંબિત કરે છે.

"આંકડાકીય રીતે શક્ય" બાબતોનું મેપિંગ

સૌથી સ્પષ્ટ આઉટપુટ હાઈ-રિઝોલ્યુશન મેપ્સનો સમૂહ છે જે દર્શાવે છે કે ક્યાં અત્યંત ઘટના (extreme event) બની શકે છે અને તે કેટલી ગંભીર હોઈ શકે છે. દરેક મેપ સાથે અનિશ્ચિતતાનો અંદાજ (uncertainty estimate) આપવામાં આવે છે જે આગાહીમાં વિશ્વાસનું પ્રમાણ દર્શાવે છે. ઇમરજન્સી રિસ્પોન્ડર્સ, સિટી પ્લાનર્સ અને ઇન્ફ્રાસ્ટ્રક્ચર ડેવલપર્સ માટે, આ વધારાનું સ્તર મહત્વનું છે: અનિશ્ચિતતાના અંદાજો વપરાશકર્તાઓને તુલાત્મક નિર્ણય લેવામાં પણ મદદ કરે છે. કોઈ પ્રદેશમાં દુર્લભ સુપર-સ્ટોર્મની ઓછી સંભાવના હોઈ શકે છે, પરંતુ કોન્ફિડન્સ ઇન્ટરવલ (confidence interval) મોટો હોઈ શકે છે, જે સંકેત આપે છે કે સંસાધનો ફાળવતા પહેલા વધુ ડેટા અથવા દેખરેખની જરૂર છે. તેનાથી વિપરીત, ઉચ્ચ સંભાવના ધરાવતી ઘટનાની આસપાસ સાંકડો કોન્ફિડન્સ બેન્ડ તાત્કાલિક નિવારણના પગલાં, જેમ કે પાળા મજબૂત કરવા અથવા સ્થળાંતરના માર્ગોમાં સુધારો કરવા માટે યોગ્ય ઠરી શકે છે.

ક્લાયમેટ રેઝિલિયન્સ (આબોહવા સ્થિતિસ્થાપકતા) માટેના જોખમો

જો આ સાધન તેના વચન મુજબ કામ કરે, તો તે ક્લાયમેટ સજ્જતાને 'પ્રતિક્રિયાત્મક' (reactive) સ્થિતિમાંથી 'સક્રિય' (proactive) સ્થિતિમાં બદલી શકે છે. ક્લાયમેટ-ટેક સોલ્યુશન્સના ડેવલપર્સ, મ્યુનિસિપલ અધિકારીઓ અને આપત્તિ વ્યવસ્થાપન એજન્સીઓને "રેકોર્ડ કરેલી" ઘટનાઓને બદલે "અપ્રત્યક્ષ/અગાઉ ક્યારેય ન બની હોય તેવી" ઘટનાઓ માટે આયોજન કરવાની રીત મળશે. આનાથી સ્માર્ટ ઝોનિંગ નિર્ણયો, ઇમરજન્સી બજેટની વધુ લક્ષિત ફાળવણી અને અત્યંત પરિસ્થિતિઓની વિશાળ શ્રેણીને સહન કરી શકે તેવું ઇન્ફ્રાસ્ટ્રક્ચર બનાવી શકાશે.

વ્યાપક AI અને ક્લાયમેટ-સાયન્સ સમુદાયોને પણ તેનો લાભ થશે. ફિઝિક્સ-ઇન્ફોર્મ્ડ મોડેલ્સ ભૂતકાળના ડેટાની મર્યાદાઓથી આગળ વધી શકે છે તે દર્શાવીને, MIT નું આ કાર્ય માત્ર પેટર્ન-મેચિંગ પરના વર્તમાન નિર્ભરતાને પડકારે છે. તે એવા AI સિસ્ટમ્સ તરફનો માર્ગ સૂચવે છે જે આબોહવા બદલાતી જાય તેમ મજબૂત રહે છે.

ખુલ્લા પ્રશ્નો અને મર્યાદાઓ

સિસ્ટમનું ભૌતિકશાસ્ત્ર પરનું નિર્ભરતા તમામ ચિંતાઓ દૂર કરતી નથી. જે ઘટનાઓ ક્યારેય બની નથી તેની આગાહીઓને પ્રમાણિત કરવી સ્વાભાવિક રીતે મુશ્કેલ છે; કોઈપણ મૂલ્યાંકન એનાલોગ્સ (analogues), કૃત્રિમ પ્રયોગો અથવા લાંબા ગાળાના ક્લાયમેટ સિમ્યુલેશન પર આધારિત હોવું જોઈએ. ટીકાકારો દલીલ કરી શકે છે કે આઉટપુટનું સંભાવનાત્મક (probabilistic) સ્વરૂપ ચોકસાઈ તરીકે ખોટી રીતે સમજવામાં આવી શકે છે, ખાસ કરીને જ્યારે તે બિન-તકનીકી સ્ટેકહોલ્ડર્સને જણાવવામાં આવે છે.

આગળ શું જોવું

મુખ્ય વાત: આર્ટિફિશિયલ ઇન્ટેલિજન્સને ભૌતિકશાસ્ત્રના નિયમો સાથે જોડીને, MIT ના એન્જિનિયરોએ ઐતિહાસિક રેકોર્ડની બહાર રહેલી હવામાનની અત્યંત ઘટનાઓની આગાહી કરવાનો માર્ગ ખોલ્યો છે, જે હાઈ-રિઝોલ્યુશન અને અનિશ્ચિતતા-જાગૃત રિસ્ક મેપ્સ પ્રદાન કરે છે જે બદલાતી આબોહવા માટે સમાજો કેવી રીતે તૈયારી કરે છે તેને નવો આકાર આપી શકે છે.