Tianmu-TC: Physics-constraints Generative Artificial Intelligence for Global Tropical Cyclone Forecasting

उष्णकटिबंधीय चक्रवात पृथ्वी के सबसे शक्तिशाली और विनाशकारी बलों में से एक हैं, जो तटों का स्वरूप बदलने और जीवन को संकट में डालने वाली भीषण हवाओं और मूसलाधार बारिश को लाने में सक्षम हैं। ये तूफान कहाँ जाएंगे और वे कितने शक्तिशाली बनेंगे, इसका पूर्वानुमान लगाना वैज्ञानिकों के लिए दशकों से एक चुनौती रहा है। वायुमंडल एक अराजक प्रणाली (chaotic system) है, जिसका अर्थ है कि हमारे प्रारंभिक मापन में छोटी, लगभग अदृश्य त्रुटियां समय बीतने के साथ बड़ी गलतियों में बदल सकती हैं, जिसे अक्सर 'बटरफ्लाई इफेक्ट' कहा जाता है। इस अनिश्चितता से निपटने के लिए, मौसम विज्ञानी पारंपरिक रूप से जटिल कंप्यूटर सिमुलेशन पर भरोसा करते हैं जो संभावित परिणामों की एक श्रृंखला बनाने के लिए हजारों थोड़े अलग परिदृश्यों को चलाते हैं। हालांकि ये विधियाँ सुरक्षा के लिए स्वर्ण मानक (gold standard) हैं, लेकिन इन्हें अत्यधिक कंप्यूटिंग शक्ति की आवश्यकता होती है, जिसके लिए अक्सर सुपर कंप्यूटरों की जरूरत होती है जिन्हें एक एकल पूर्वानुमान तैयार करने में घंटों लग जाते हैं, जिससे वे धीमे और महंगे हो जाते हैं।

हालिया शोध में विस्तृत एक नया दृष्टिकोण, जो केवल कच्चे डेटा के बजाय भौतिकी के नियमों से सीखने वाले कृत्रिम बुद्धिमत्ता (AI) के प्रकार का उपयोग करके एक अलग रास्ता सुझाता है। इस कार्य के पीछे की टीम, जिसका नेतृत्व झेजियांग यूनिवर्सिटी ऑफ टेक्नोलॉजी और अन्य संस्थानों के शोधकर्ताओं द्वारा किया गया है, ने 'तियानमू-टीसी' (Tianmu-TC) नामक एक प्रणाली विकसित की है। पिछले AI मॉडल के विपरीत जो केवल पिछले तूफान के पैटर्न को याद रखते थे, यह प्रणाली उन भौतिक नियमों को समझने के लिए डिज़ाइन की गई है जो एक तूफान के चलने और बदलने को नियंत्रित करते हैं। AI को इन प्राकृतिक बाधाओं का सम्मान करने के लिए सिखाकर, शोधकर्ताओं ने एक ऐसा उपकरण बनाया है जो बहुत तेज़ी से और वर्तमान विधियों की तुलना में बहुत कम अनिश्चितता के साथ तूफान के कई संभावित भविष्य उत्पन्न कर सकता है। परिणाम दर्शाते हैं कि यह भौतिकी-निर्देशित AI, अत्यधिक गति और सटीकता के साथ दुनिया भर में उष्णकटिबंधीय चक्रवातों के पथ और शक्ति की भविष्यवाणी कर सकता है, और अक्सर आज की प्रमुख मौसम एजेंसियों द्वारा उपयोग किए जाने वाले सबसे उन्नत सुपरकंप्यूटर मॉडल को भी पीछे छोड़ देता है।

इस सफलता का मूल आधार यह है कि AI वायुमंडल की अराजकता को कैसे संभालता है। पारंपरिक AI मॉडल अक्सर भविष्यवाणियों का एक विस्तृत बिखराव पैदा करते हैं, जैसे कि लोगों का एक समूह किसी स्थान का अनुमान लगा रहा हो और एक विशाल क्षेत्र में फैल गया हो, जिससे यह जानना कठिन हो जाता है कि तूफान वास्तव में कहाँ टकराएगा। इसे ठीक करने के लिए, शोधकर्ताओं ने AI की सीखने की प्रक्रिया में तीन विशिष्ट भौतिक नियमों, या बाधाओं (constraints) को पेश किया। पहला, सिस्टम को तूफान के इतिहास का सम्मान करने के लिए मजबूर किया जाता है, यह सुनिश्चित करते हुए कि कोई भी नया पूर्वानुमान तार्किक रूप से उस स्थान से आगे बढ़े जहाँ से तूफान पहले से गुजर चुका है। दूसरा, इसे उन बड़े पैमाने के मौसम पैटर्न को ध्यान में रखना चाहिए जो तूफान को निर्देशित करते हैं, जैसे कि उच्च-दबाव प्रणालियाँ और हवा की धाराएं जो एक नाव का मार्गदर्शन करने वाली नदी की तरह कार्य करती हैं। अंत में, और शायद सबसे महत्वपूर्ण बात यह है कि AI को तूफान की आंतरिक संरचना पर विचार करने के लिए सिखाया जाता है, विशेष रूप से यह कि तूफान के भीतर हवा और दबाव लंबवत (vertically) कैसे बदलते हैं। इन तीन भौतिक वास्तविकताओं को पीढ़ी की प्रक्रिया में बुनकर, AI संभावनाओं को सीमित करना सीख जाता है, जिससे जंगली अनुमानों को हटाकर सबसे भौतिक रूप से प्रशंसनीय परिणामों पर ध्यान केंद्रित किया जा सके।

2017 से 2023 तक के वास्तविक दुनिया के डेटा के विरुद्ध परीक्षण किए जाने पर, जिसमें दुनिया भर के महासागरों के तूफान शामिल थे, तियानमू-टीसी ने सटीकता का एक ऐसा स्तर प्रदर्शित किया जिसने इसके रचनाकारों को भी आश्चर्यचकित कर दिया। मॉडल को विशेष रूप से पश्चिमी उत्तरी प्रशांत क्षेत्र के डेटा पर प्रशिक्षित किया गया था, फिर भी इसने बिना किसी विशेष पुन: प्रशिक्षण के अटलांटिक, हिंद महासागर और दक्षिणी गोलार्ध में तूफानों की भविष्यवाणी करने के लिए अपने ज्ञान को सफलतापूर्वक सामान्यीकृत किया। यूरोपीय सेंटर फॉर मीडियम-रेंज वेदर फोरकास्ट (ECMWF), जो एक अग्रणी वैश्विक मौसम संगठन है, और अन्य शीर्ष स्तर के AI मॉडलों के साथ प्रत्यक्ष तुलना में, तियानमू-टीसी ने तूफान के पथ और उसकी तीव्रता दोनों की भविष्यवाणी करने में लगातार कम त्रुटियां उत्पन्न कीं। उदाहरण के लिए, उन मामलों में जहाँ तूफानों ने असामान्य, घुमावदार पथ लिए या तेजी से अपनी शक्ति बदली, नए मॉडल ने मौजूदा AI प्रणालियों की तुलना में त्रुटियों को छह गुना तक कम कर दिया। इसने उन तूफानों के तीव्र होने और कमजोर होने की भविष्यवाणी भी एक ऐसे विवरण के साथ की, जिसे कई वर्तमान प्रणालियाँ चूक जाती हैं।

शायद इस विकास का सबसे उल्लेखनीय पहलू इसकी दक्षता है। जबकि दुनिया के सबसे शक्तिशाली मौसम मॉडल पूर्वानुमान उत्पन्न करने के लिए सुपरकंप्यूटर और घंटों के प्रसंस्करण समय की आवश्यकता रखते हैं, तियाмू-टीसी एक एकल मानक ग्राफिक्स कार्ड (जो कई उच्च श्रेणी के कंप्यूटरों में पाया जाने वाला हार्डवेयर है) पर चल सकता है और मात्र एक सेकंड से कुछ अधिक समय में पूर्वानुमान तैयार कर सकता है। यह गति सटीकता की कीमत पर नहीं आती है; वास्तव में, मॉडल छह संभावित भविष्य के पथों का एक सेट उत्पन्न करता है जो सबसे संभावित परिणाम के आसपास मजबूती से केंद्रित होते हैं, जिससे पूर्वानुमानकर्ताओं को क्या उम्मीद करनी है, इसकी एक स्पष्ट और आत्मविश्वासी तस्वीर मिलती है। शोधकर्ताओं ने पाया कि जब आसपास के वायुमंडल के बारे में वास्तविक समय का डेटा गायब था, तब भी मॉडल सटीक भविष्यवाणियां करने के लिए तूफान के हालिया इतिहास पर भरोसा कर सकता था, जो डेटा स्ट्रीम बाधित होने की स्थिति में वास्तविक समय की आपातकालीन प्रतिक्रिया के लिए एक महत्वपूर्ण विशेषता है।

अध्ययन ने तूफान के पथ और उसकी शक्ति के बीच एक गहरा संबंध भी प्रकट किया। जबकि वैज्ञानिक लंबे समय से जानते हैं कि ये दोनों कारक संबंधित हैं, इस नए मॉडल ने सिद्ध किया कि उन्हें अलग-अलग करने के बजाय एक साथ भविष्यवाणी करने से काफी बेहतर परिणाम मिलते हैं। AI ने सीखा कि एक तूफान की तीव्रता पूरी तरह से उस विशिष्ट वातावरण पर निर्भर करती है जिसका वह अपने पथ के साथ सामना करता है, जैसे कि समुद्र के पानी का तापमान या उसके ऊपर हवाओं की ताकत। पथ और शक्ति दोनों की एक साथ भविष्यवाणी करके, मॉडल एक से दूसरे को परिष्कृत करने के लिए जानकारी का उपयोग कर सकता है, जिससे एक अधिक सुसंगत और विश्वसनीय पूर्वानुमान बनता है। यह निष्कर्ष बताता है कि तूफान के पूर्वानुमान का भविष्य बड़े और अधिक जटिल मॉडल बनाने में नहीं, बल्कि स्मार्ट सिस्टम डिजाइन करने में है जो मौसम के विभिन्न हिस्सों के बीच भौतिक संबंधों को समझते हैं।

इस कार्य के निहितार्थ केवल स्क्रीन पर बेहतर नंबरों तक ही सीमित नहीं हैं। उच्च-गुणवत्ता वाले, एन्सेम्बल फोरकास्टिंग (ensemble forecasting) को मानक हार्डवेयर पर सुलभ बनाकर, यह तकनीक मौसम पूर्वानुमान का लोकतंत्रीकरण कर सकती है, जिससे कम संसाधनों वाले क्षेत्रों को भी धनवान राष्ट्रों के समान विस्तृत पूर्वानुमान तक पहुँच प्राप्त हो सकेगी। कई संभावित, भौतिक रूप से सुसंगत परिदृश्यों को जल्दी से उत्पन्न करने की क्षमता आपातकालीन प्रबंधकों को विशिष्ट खतरों के लिए तैयारी करने हेतु अधिक समय देती है, चाहे वह दिशा में अचानक परिवर्तन हो या हवा की गति में तीव्र वृद्धि। शोधकर्ता स्वीकार करते हैं कि हालांकि मॉडल अल्पकालिक पूर्वानुमानों के लिए अत्यधिक प्रभावी है, लेकिन वायुमंडल की अंतर्निहित अराजकता के कारण कई दिनों के अग्रिम पूर्वानुमान लगाना कठिन बना हुआ है। फिर भी, तियानमू-टीसी की सफलता यह सुझाव देती है कि कृत्रिम बुद्धिमत्ता को भौतिकी के मौलिक नियमों में स्थापित करके, हम ऐसे उपकरण बना सकते हैं जो न केवल तेज़ और सस्ते हैं, बल्कि अधिक विश्वसनीय भी हैं, जो उष्णकटिबंधीय चक्रवातों के प्रकोप से समुदायों की रक्षा करने का एक नया तरीका प्रदान करते हैं।