MIT ਦੇ ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਇੱਕ ਅਜਿਹਾ AI ਟੂਲ ਵਿਕਸਿਤ ਕਰਕੇ ਜਲਵਾਯੂ ਮਾਡਲਿੰਗ ਵਿੱਚ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਸਫਲਤਾ ਹਾਸਲ ਕੀਤੀ ਹੈ ਜੋ ਅਜਿਹੀਆਂ ਅਤਿ ਦੀਆਂ ਮੌਸਮ ਦੀਆਂ ਘਟਨਾਵਾਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਦੇ ਯੋਗ ਹੈ ਜਿਨ੍ਹਾਂ ਦਾ ਕੋਈ ਇਤਿਹਾਸਕ ਪਿਛੋਕੜ ਨਹੀਂ ਹੈ। ਰਵਾਇਤੀ ਮਾਡਲਾਂ ਦੇ ਉਲਟ, ਜੋ ਭਵਿੱਖ ਦੀਆਂ ਘਟਨਾਵਾਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਪਿਛਲੀਆਂ ਆਫ਼ਤਾਂ 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹਨ, ਇਹ ਨਵਾਂ ਸਿਸਟਮ ਅਜਿਹੀਆਂ ਅੰਕੜਾਤਮਕ ਤੌਰ 'ਤੇ ਸੰਭਵ ਤਬਾਹੀਆਂ ਦਾ ਨਕਸ਼ਾ ਤਿਆਰ ਕਰ ਸਕਦਾ ਹੈ ਜੋ ਕਿਸੇ ਖਾਸ ਖੇਤਰ ਵਿੱਚ ਕਦੇ ਵਾਪਰੀਆਂ ਹੀ ਨਹੀਂ ਹਨ।

ਇਤਿਹਾਸਕ ਡੇਟਾ 'ਤੇ ਨਿਰਭਰਤਾ ਨੂੰ ਤੋੜਨਾ

ਜ਼ਿਆਦਾਤਰ ਸਮਕਾਲੀ ਮੌਸਮ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਾਲੇ ਮਾਡਲ ਅਤੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਐਲਗੋਰਿਦਮ ਇੱਕ ਬੁਨਿਆਦੀ ਸੀਮਾ ਨਾਲ ਜੂਝਦੇ ਹਨ: ਉਹ "ਪਿਛੋਕੜ ਵੱਲ ਦੇਖਣ ਵਾਲੇ" (backward-looking) ਹਨ। ਉਹਨਾਂ ਨੂੰ ਪੈਟਰਨਾਂ ਨੂੰ ਪਛਾਣਨ ਅਤੇ ਭਵਿੱਖ ਦੇ ਜੋਖਮਾਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਪਿਛਲੀਆਂ ਘਟਨਾਵਾਂ—ਜਿਵੇਂ ਕਿ ਪਿਛਲੇ ਹੜ੍ਹ, ਹਰੀਕੇਨ, ਜਾਂ ਹੀਟਵੇਵ—ਦੇ ਵਿਸ਼ਾਲ ਡੇਟਾਸੈਟਾਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਜਲਵਾਯੂ ਤਬਦੀਲੀ ਦੇ ਯੁੱਗ ਵਿੱਚ, ਇਹ ਇੱਕ ਗੰਭੀਰ ਅਸਫਲਤਾ ਦਾ ਕਾਰਨ ਬਣ ਜਾਂਦਾ ਹੈ, ਜਿੱਥੇ ਬਦਲਦੇ ਗਲੋਬਲ ਤਾਪਮਾਨ ਅਜਿਹੀਆਂ "ਬਲੈਕ ਸਵਾਨ" (black swan) ਮੌਸਮ ਦੀਆਂ ਘਟਨਾਵਾਂ ਪੈਦਾ ਕਰ ਰਹੇ ਹਨ ਜੋ ਇਤਿਹਾਸਕ ਮਾਪਦੰਡਾਂ ਨੂੰ ਚੁਣੌਤੀ ਦਿੰਦੀਆਂ ਹਨ।

ਮਕੈਨੀਕਲ ਇੰਜੀਨੀਅਰਿੰਗ ਦੇ ਗ੍ਰੈਜੂਏਟ ਵਿਦਿਆਰਥੀ ਕਾਈ ਚਾਂਗ ਅਤੇ ਪ੍ਰੋਫੈਸਰ ਥੈਮਿਸ ਸੈਪਸਿਸ ਦੁਆਰਾ ਵਿਕਸਿਤ ਕੀਤਾ ਗਿਆ MIT ਟੂਲ ਇਸ ਨਿਰਭਰਤਾ ਨੂੰ ਖਤਮ ਕਰਦਾ ਹੈ। "ਇੱਥੇ ਪਹਿਲਾਂ ਕੀ ਹੋਇਆ ਹੈ?" ਪੁੱਛਣ ਦੀ ਬਜਾਏ, ਇਹ ਮਾਡਲ ਮੌਜੂਦਾ ਵਾਯੂਮੰਡਲ ਦੀਆਂ ਸਥਿਤੀਆਂ ਦੇ ਅਧਾਰ 'ਤੇ ਇਹ ਜਵਾਬ ਦੇਣ ਲਈ ਮੂਲ ਭੌਤਿਕ ਵਿਗਿਆਨ ਅਤੇ ਅੰਕੜਾਤਮਕ ਸੰਭਾਵਨਾਵਾਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰਦਾ ਹੈ ਕਿ, "ਇੱਥੇ ਕੀ ਹੋ ਸਕਦਾ ਹੈ?" ਇਹ AI ਨੂੰ ਅਜਿਹੀਆਂ ਬੇਮਿਸਾਲ ਅਤਿ ਦੀਆਂ ਘਟਨਾਵਾਂ ਲਈ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਾਲੇ ਨਕਸ਼ੇ ਤਿਆਰ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ ਜੋ ਅੰਕੜਾਤਮਕ ਸੰਭਾਵਨਾ ਦੇ ਦਾਇਰੇ ਵਿੱਚ ਹਨ ਪਰ ਕਿਸੇ ਖਾਸ ਸਥਾਨ ਦੇ ਰਿਕਾਰਡ ਕੀਤੇ ਇਤਿਹਾਸ ਤੋਂ ਬਾਹਰ ਹਨ।

"ਸੰਭਾਵਨਾਤਮਕ ਤੌਰ 'ਤੇ ਸੰਭਵ" ਦਾ ਨਕਸ਼ਾ ਬਣਾਉਣਾ

ਤਕਨੀਕੀ ਨਵੀਨਤਾ ਮਾਡਲ ਦੀ ਸੰਭਾਵੀ ਮੌਸਮ ਦੀਆਂ ਘਟਨਾਵਾਂ ਦੇ ਉੱਚ-ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਨਕਸ਼ੇ ਤਿਆਰ ਕਰਨ ਦੀ ਯੋਗਤਾ ਵਿੱਚ ਹੈ। ਇਹ ਨਕਸ਼ੇ ਸਿਰਫ਼ ਇਹ ਸੁਝਾਅ ਨਹੀਂ ਦਿੰਦੇ ਕਿ ਕੋਈ ਆਫ਼ਤ ਆ ਸਕਦੀ ਹੈ; ਉਹ ਇਸ ਗੱਲ ਦਾ ਵਿਸਤ੍ਰਿਤ ਸਪੇਸ਼ੀਅਲ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ ਕਿ ਘਟਨਾ ਕਿੱਥੇ ਅਤੇ ਕਿਵੇਂ ਵਾਪਰ ਸਕਦੀ ਹੈ।

ਮਹੱਤਵਪੂਰਨ ਰੂਪ ਵਿੱਚ, ਇਹ ਟੂਲ ਹਰੇਕ ਨਕਸ਼ੇ ਲਈ ਅਨਿਸ਼ਚਿਤਤਾ ਦੇ ਅੰਦਾਜ਼ੇ (uncertainty estimates) ਵੀ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਆਪਣੀਆਂ ਭਵਿੱਖਬਾਣੀਆਂ ਵਿੱਚ ਵਿਸ਼ਵਾਸ ਦੇ ਡਿਗਰੀ ਨੂੰ ਮਾਪ ਕੇ, AI ਜੋਖਮ ਦੇ ਮੁਲਾਂਕਣ ਦੀ ਇੱਕ ਸੂਖਮ ਪਰਤ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਇਹ ਅੰਤਰ ਐਮਰਜੈਂਸੀ ਰਿਸਪੌਂਡਰਾਂ ਅਤੇ ਸ਼ਹਿਰੀ ਯੋਜਨਾਕਾਰਾਂ ਲਈ ਬਹੁਤ ਮਹੱਤਵਪੂਰਨ ਹੈ ਜਿਨ੍ਹਾਂ ਨੂੰ ਨਾ ਸਿਰਫ਼ ਸੰਭਾਵੀ ਪ੍ਰਭਾਵ, ਸਗੋਂ ਭਵਿੱਖਬਾਣੀ ਦੀ ਭਰੋਸੇਯੋਗਤਾ ਬਾਰੇ ਵੀ ਜਾਣਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਇਹ ਯੋਗਤਾ ਇੱਕ ਸਿਧਾਂਤਕ ਸੰਭਾਵਨਾ ਨੂੰ ਇੱਕ ਕਾਰਜਸ਼ੀਲ ਜੋਖਮ ਮੈਟ੍ਰਿਕ ਵਿੱਚ ਬਦਲ ਦਿੰਦੀ ਹੈ।

ਜਲਵਾਯੂ ਲਚਕਤਾ ਦੇ ਭਵਿੱਖ ਲਈ ਇਹ ਕਿਉਂ ਮਹੱਤਵਪੂਰਨ ਹੈ

ਵਿਆਪਕ AI ਅਤੇ ਜਲਵਾਯੂ ਵਿਗਿਆਨ ਦੇ ਖੇਤਰ ਲਈ ਇਸਦੇ ਪ੍ਰਭਾਵ ਡੂੰਘੇ ਹਨ। ਜਿਵੇਂ-ਜਿਵੇਂ ਜਲਵਾਯੂ ਤਬਦੀਲੀ ਤੇਜ਼ ਹੋ ਰਹੀ ਹੈ, "ਇਤਿਹਾਸਕ ਰਿਕਾਰਡ" ਭਵਿੱਖ ਦੀ ਤਿਆਰੀ ਲਈ ਇੱਕ ਅਣਭਰੋਸੇਯੋਗ ਮਾਰਗਦਰਸ਼ਕ ਬਣਦਾ ਜਾ ਰਿਹਾ ਹੈ। ਰਵਾਇਤੀ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲਾਂ ਨੂੰ "ਆਊਟ-ਆਫ-ਡਿਸਟ੍ਰੀਬਿਊਸ਼ਨ" (out-of-distribution) ਘਟਨਾਵਾਂ—ਅਜਿਹੀਆਂ ਘਟਨਾਵਾਂ ਜੋ ਟ੍ਰੇਨਿੰਗ ਡੇਟਾ ਦੀ ਸੀਮਾ ਤੋਂ ਬਾਹਰ ਹਨ—ਦੁਆਰਾ ਹੈਰਾਨ ਹੋਣ ਦਾ ਖਤਰਾ ਹੈ।

MIT ਦਾ ਪਹੁੰਚ ਪੈਟਰਨ ਮੈਚਿੰਗ ਤੋਂ ਸੰਭਾਵਨਾਤਮਕ ਭੌਤਿਕ ਵਿਗਿਆਨ-ਅਧਾਰਤ ਮਾਡਲਿੰਗ (probabilistic physics-informed modeling) ਵੱਲ ਇੱਕ ਬਦਲਾਅ ਲਿਆਉਂਦੀ ਹੈ। ਜਲਵਾਯੂ-ਤਕਨਾਲੋਜੀ ਖੇਤਰ ਦੇ ਡਿਵੈਲਪਰਾਂ ਅਤੇ ਲਚਕਤਾ ਬੁਨਿਆਦੀ ਢਾਂਚਾ ਬਣਾਉਣ ਵਾਲੇ ਸੰਸਥਾਪਕਾਂ ਲਈ, ਇਹ ਵਧੇਰੇ ਮਜ਼ਬੂਤ ਅਤੇ ਭਵਿੱਖ-ਪ੍ਰੂਫ AI ਵੱਲ ਇੱਕ ਕਦਮ ਹੈ। "ਬੇਮਿਸਾਲ" ਘਟਨਾਵਾਂ ਲਈ ਤਿਆਰ ਹੋ ਕੇ, ਸਮਾਜ ਪ੍ਰਤੀਕਿਰਿਆਸ਼ੀਲ (reactive) ਸਥਿਤੀ ਤੋਂ ਇੱਕ ਸਰਗਰਮ (proactive) ਸਥਿਤੀ ਵੱਲ ਵਧ ਸਕਦਾ ਹੈ, ਜੋ ਕੱਲ੍ਹ ਦੇ ਮੌਸਮ ਲਈ ਸ਼ਹਿਰਾਂ ਅਤੇ ਐਮਰਜੈਂਸੀ ਪ੍ਰੋਟੋਕੋਲ ਨੂੰ ਡਿਜ਼ਾਈਨ ਕਰਦਾ ਹੈ, ਨਾ ਕਿ ਬੀਤੇ ਕੱਲ੍ਹ ਦੇ ਮੌਸਮ ਲਈ।

ਮੁੱਖ ਨੁਕਤੇ

  • ਇਤਿਹਾਸ ਤੋਂ ਪਰੇ: MIT ਦੁਆਰਾ ਵਿਕਸਿਤ ਕੀਤਾ ਗਿਆ AI ਅਜਿਹੀਆਂ ਅਤਿ ਦੀਆਂ ਮੌਸਮ ਦੀਆਂ ਘਟਨਾਵਾਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰ ਸਕਦਾ ਹੈ ਜਿਨ੍ਹਾਂ ਦਾ ਕਿਸੇ ਖੇਤਰ ਦੇ ਇਤਿਹਾਸਕ ਰਿਕਾਰਡ ਵਿੱਚ ਕੋਈ ਪਹਿਲਾ ਅਵਾਰ (occurrence) ਨਹੀਂ ਹੈ।
  • ਸੰਭਾਵਨਾਤਮਕ ਨਕਸ਼ਾਕਾਰੀ: ਇਹ ਟੂਲ ਸੰਭਾਵੀ ਆਫ਼ਤਾਂ ਦੇ ਵਿਸਤ੍ਰਿਤ ਸਪੇਸ਼ੀਅਲ ਨਕਸ਼ੇ ਤਿਆਰ ਕਰਦਾ ਹੈ, ਜਿਸ ਦੇ ਨਾਲ ਹਰੇਕ ਭਵਿੱਖਬਾਣੀ ਲਈ ਖਾਸ ਅਨਿਸ਼ਚਿਤਤਾ ਦੇ ਅੰਦਾਜ਼ੇ ਵੀ ਹੁੰਦੇ ਹਨ।
  • **ਜਲਵਾਯੂ ਤਬਦੀਲੀ ਲਈ

MIT ਸਿਸਟਮ ਸਵਾਲ ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਬਦਲ ਦਿੰਦਾ ਹੈ। "ਇੱਥੇ ਪਹਿਲਾਂ ਕੀ ਹੋਇਆ ਹੈ?" ਪੁੱਛਣ ਦੀ ਬਜਾਏ, ਇਹ ਵਾਯੂਮੰਡਲ ਦੀ ਗਤੀ ਨੂੰ ਚਲਾਉਣ ਵਾਲੇ ਮੂਲ ਭੌਤਿਕ ਵਿਗਿਆਨ—ਪੁੰਜ (mass), ਸੰਵੇਗ (momentum), ਅਤੇ ਊਰਜਾ (energy) ਦੀ ਸੰਭਾਲ—ਦਾ ਮੁਲਾਂਕਣ ਕਰਦਾ ਹੈ ਅਤੇ ਉਹਨਾਂ ਸਮੀਕਰਨਾਂ ਨੂੰ ਅਜਿਹੇ ਅੰਕੜਾ ਵਿਗਿਆਨਕ ਤਰੀਕਿਆਂ ਨਾਲ ਜੋੜਦਾ ਹੈ ਜੋ ਸੰਭਾਵਿਤ ਨਤੀਜਿਆਂ ਦੀ ਇੱਕ ਵਿਸ਼ਾਲ ਸ਼੍ਰੇਣੀ ਦੀ ਜਾਂਚ ਕਰਦੇ ਹਨ। AI ਨੂੰ ਭੌਤਿਕ ਵਿਗਿਆਨ ਨਾਲ ਜੋੜ ਕੇ, ਇਹ ਮਾਡਲ ਉਦੋਂ ਵੀ ਵਾਜਬ ਸਥਿਤੀਆਂ ਪੈਦਾ ਕਰ ਸਕਦਾ ਹੈ ਜਦੋਂ ਇਤਿਹਾਸਕ ਰਿਕਾਰਡ ਕੋਈ ਮਾਰਗਦਰਸ਼ਨ ਨਹੀਂ ਦਿੰਦਾ।

ਇਹ ਪਹੁੰਚ "physics-informed" ਹੈ ਕਿਉਂਕਿ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਨੂੰ ਉਹਨਾਂ ਸਮੀਕਰਨਾਂ ਦੁਆਰਾ ਸੀਮਤ ਕੀਤਾ ਗਿਆ ਹੈ ਜੋ ਅਸਲ ਮੌਸਮ ਨੂੰ ਨਿਯੰਤਰਿਤ ਕਰਦੇ ਹਨ। ਇਹ AI ਨੂੰ ਭੌਤਿਕ ਤੌਰ 'ਤੇ ਅਸੰਭਵ ਸਥਿਤੀਆਂ ਬਣਾਉਣ ਤੋਂ ਰੋਕਦਾ ਹੈ, ਜੋ ਕਿ ਇੱਕ ਅਜਿਹੀ ਸਮੱਸਿਆ ਹੈ ਜੋ ਸਿਰਫ਼ ਡੇਟਾ-ਡਰਿਵਨ ਮਾਡਲਾਂ ਨੂੰ ਉਦੋਂ ਪ੍ਰੇਸ਼ਾਨ ਕਰ ਸਕਦੀ ਹੈ ਜਦੋਂ ਉਹਨਾਂ ਨੂੰ ਉਹਨਾਂ ਦੇ ਟ੍ਰੇਨਿੰਗ ਖੇਤਰ ਤੋਂ ਬਾਹਰ ਲਿਜਾਇਆ ਜਾਂਦਾ ਹੈ। ਨਤੀਜੇ ਵਜੋਂ ਅਜਿਹੇ ਅਨੁਮਾਨ ਮਿਲਦੇ ਹਨ ਜੋ ਅੰਕੜਾ ਵਿਗਿਆਨਕ ਸੰਭਾਵਨਾ ਦੇ ਦਾਇਰੇ ਵਿੱਚ ਰਹਿੰਦੇ ਹਨ ਅਤੇ ਨਾਲ ਹੀ ਜਲਵਾਯੂ ਪ੍ਰਣਾਲੀ ਦੀ ਅਨਿਸ਼ਚਿਤ (chaotic) ਪ੍ਰਕਿਰਤੀ ਨੂੰ ਵੀ ਦਰਸਾਉਂਦੇ ਹਨ।

"ਅੰਕੜਾ ਵਿਗਿਆਨਕ ਤੌਰ 'ਤੇ ਸੰਭਵ" ਦਾ ਨਕਸ਼ਾ ਤਿਆਰ ਕਰਨਾ

ਸਭ ਤੋਂ ਸਪਸ਼ਟ ਨਤੀਜਾ ਉੱਚ-ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਵਾਲੇ ਨਕਸ਼ਿਆਂ ਦਾ ਇੱਕ ਸਮੂਹ ਹੈ ਜੋ ਦਿਖਾਉਂਦੇ ਹਨ ਕਿ ਕੋਈ ਅਤਿ ਦੀ ਘਟਨਾ ਕਿੱਥੇ ਵਾਪਰ ਸਕਦੀ ਹੈ ਅਤੇ ਇਹ ਕਿੰਨੀ ਗੰਭੀਰ ਹੋ ਸਕਦੀ ਹੈ। ਹਰੇਕ ਨਕਸ਼ੇ ਦੇ ਨਾਲ ਇੱਕ ਅਨਿਸ਼ਚਿਤਤਾ ਅਨੁਮਾਨ (uncertainty estimate) ਦਿੱਤਾ ਗਿਆ ਹੈ ਜੋ ਭਵਿੱਖਬਾਣੀ ਵਿੱਚ ਭਰੋਸੇ ਨੂੰ ਮਾਪਦਾ ਹੈ। ਐਮਰਜੈਂਸੀ ਰਿਸਪੌਂਡਰਜ਼, ਸ਼ਹਿਰ ਨਿਰਮਾਤਾਵਾਂ ਅਤੇ ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਦੇ ਵਿਕਾਸਕਰਤਾਵਾਂ ਲਈ, ਉਹ ਵਾਧੂ ਜਾਣਕਾਰੀ ਮਹੱਤਵਪੂਰਨ ਹੈ: ਅਨਿਸ਼ਚਿਤਤਾ ਅਨੁਮਾਨ ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਫੈਸਲੇ ਲੈਣ ਵਿੱਚ ਮਦਦ ਕਰਦੇ ਹਨ। ਕਿਸੇ ਖੇਤਰ ਵਿੱਚ ਇੱਕ ਦੁਰਲੱਭ ਸੁਪਰ-ਸਟੋਰਮ ਦੀ ਮਾਮੂਲੀ ਸੰਭਾਵਨਾ ਹੋ ਸਕਦੀ ਹੈ, ਪਰ ਭਰੋਸੇ ਦਾ ਦਾਇਰਾ (confidence interval) ਵਿਸ਼