Why Deterministic AI Weather Models Fail at Extremes and Physical Conservation: From the Perspective of Probabilistic Mean Field

कल्पना कीजिए कि वायुमंडल और महासागर एक विशाल, अराजक डांस फ्लोर हैं। हवा और पानी लगातार जटिल पैटर्न में घूम रहे हैं, टकरा रहे हैं और घूम रहे हैं जो भौतिकी के सख्त, अदृश्य नियमों का पालन करते हैं। दशकों से, वैज्ञानिक भारी सुपरकंप्यूटरों का उपयोग करके यह भविष्यवाणी करने की कोशिश कर रहे हैं कि यह नृत्य आगे कहाँ जाएगा, जो इन भौतिकी समीकरणों को चरण-दर-चरण हल करते हैं। लेकिन इस फ्लोर पर एक नया खिलाड़ी आया है: आर्टिफिशियल इंटेलिजेंस (AI)। ये AI मॉडल उन सुपर-फास्ट डांसर्स की तरह हैं जिन्होंने पिछले लाखों घंटों के मौसम के वीडियो देखे हैं। वे एक सेकंड के बहुत छोटे हिस्से में अगले कदम की भविष्यवाणी कर सकते हैं, जो पारंपरिक कंप्यूटरों की तुलना में ऊर्जा के बहुत छोटे हिस्से का उपयोग करते हैं। यह एक बड़ी बात है क्योंकि यह हमें तूफानों के बारे में चेतावनी देने, नवीकरणीय ऊर्जा की योजना बनाने और बाढ़ का प्रबंधन करने में पहले से कहीं अधिक तेज़ी से मदद कर सकता है।

हालाँकि, इसमें एक पेंच है। जबकि ये AI डांसर अविश्वसनीय रूप से तेज़ होते हैं और अक्सर "औसत" मूव को सही पकड़ लेते हैं, वे कभी-कभी बहुत अधिक सहज (smooth) दिखने लगते हैं। वे जंगली, पागलपन भरे स्पिन (चरम मौसम) को मिस कर देते हैं और कभी-कभी नृत्य के बुनियादी नियमों (ऊर्जा संरक्षण जैसे भौतिक नियमों) पर भी लड़खड़ा जाते हैं। वैज्ञानिक अपना सिर खुजला रहे हैं, यह सोचकर कि ये सुपर-स्मार्ट AI मॉडल वास्तविकता के खुरदरे किनारों को इतना स्मूथ क्यों कर देते हैं। क्या ऐसा इसलिए है क्योंकि उन्होंने पर्याप्त चरम मौसम नहीं देखा है? क्या यह गणित में कोई खामी है? यह शोध पत्र इस रहस्य की गहराई में उतरता है, एक एकीकृत सिद्धांत प्रस्तावित करता है जो यह समझाता है कि ये मॉडल वास्तव में कैसा व्यवहार करते हैं, और "प्रोबेबिलिस्टिक मीन फील्ड" (probabilistic mean field) नामक अवधारणा का उपयोग करके यह दिखाता है कि जिस पद्धति का उपयोग उन्हें सटीक बनाने के लिए किया जाता है, वही उनके चरम स्थितियों में विफल होने का कारण है।

"औसत" का जाल: क्यों AI मौसम मॉडल वास्तविकता को स्मूथ कर देते हैं

तो, सेकंड इंस्टीट्यूट ऑफ ओशनोग्राफी और शंघाई जियाओ टोंग यूनिवर्सिटी के शोधकर्ताओं ने वास्तव में क्या पाया? उन्होंने खोजा कि समस्या केवल डेटा की कमी या खराब एल्गोरिदम नहीं है; यह एक मौलिक गणितीय परिणाम है कि वर्तमान AI मौसम मॉडल को कैसे सिखाया जाता है।

इसे ऐसे समझें: कल्पना कीजिए कि आप किसी डांसर के पिछले मूव्स के आधार पर उसके अगले मूव का अनुमान लगाने की कोशिश कर रहे हैं। यदि आपको अपने "औसत अंतर" (एक गणितीय अवधारणा जिसे मीन स्क्वेर्ड एरर या RMSE कहा जाता है) को कम करने के लिए प्रशिक्षित किया जाता है, तो आपका मस्तिष्क स्वाभाविक रूप से सभी संभावित अगले मूव्स के औसत की तलाश करने लगता है। यदि डांसर या तो बाएं घूम सकता है, दाएं घूम सकता है, या कूद सकता है, और आप औसतन "सही" होना चाहते हैं, तो आप एक अजीब, आधे-स्पिन और आधे-जंप वाले मूव की भविष्यवाणी कर सकते हैं जो वास्तविक जीवन में कभी नहीं होता। आपने गणितीय केंद्र तो पा लिया है, लेकिन आपने नृत्य की वास्तविकता खो दी है।

लेखकों का तर्क है कि वर्तमान AI मौसम मॉडल बिल्कुल यही कर रहे हैं। उन्हें औसत त्रुटि को कम करने के लिए प्रशिक्षित करके, आप उन्हें कंडीशनल एक्सपेक्टेशन (conditional expectation) की भविष्यवाणी करना सिखा रहे हैं—जो अनिवार्य रूप से सभी संभावित भविष्य का सांख्यिकीय औसत है। वास्तविक दुनिया में, मौसम एक "नॉनलीनियर" (nonlinear) प्रणाली है, जिसका अर्थ है कि यदि आप दो वैध मौसम अवस्थाओं को लेते हैं और उन्हें आपस में मिला देते हैं, तो परिणाम आमतौर पर एक वैध मौसम अवस्था नहीं होता है। यह गर्म और ठंडे पानी को मिलाकर "गुनगुना" पानी प्राप्त करने जैसा है; यह ठीक है। लेकिन यदि आप एक तूफान और एक शांत दिन को मिलाते हैं, तो आपको भौतिकी के नियमों का पालन करने वाला "मध्यम" तूफान नहीं मिलता; आपको प्रकृति के नियमों का उल्लंघन करने वाला एक गणितीय भूत मिलता है।

प्रयोग: साधारण पासे से लेकर घूमते हुए तरल पदार्थ तक

इसे साबित करने के लिए, टीम ने दो चतुर प्रयोग चलाए।

सबसे पहले, उन्होंने एक मार्कोव चेन (मार्कोव चेन - सोचिए एक बोर्ड गेम के रूप में जहाँ आपका अगला मूव केवल इस पर निर्भर करता है कि आप अभी कहाँ हैं) का उपयोग करके एक सरल "खिलौना" दुनिया बनाई। उन्होंने दो AI "खिलाड़ियों" को प्रशिक्षित किया: एक जो सटीक अगली संख्या बताने की कोशिश करता था (त्रुटि कम करना) और दूसरा जो हर संभावित अगली संख्या के लिए संभावनाओं की पूरी सूची बताने की कोशिश करता था।

• परिणाम: दोनों खिलाड़ियों ने लगभग पूरी तरह से "औसत" स्कोर प्राप्त किया। लेकिन त्रुटि-कम करने वाला खिलाड़ी संभावनाओं के फैलाव (spread) को पकड़ने में बहुत खराब था। इसने सभी जटिल संभावनाओं को एक एकल, सुरक्षित, उबाऊ अनुमान में समेट दिया। यह उस छात्र की तरह था जिसने औसत टेस्ट स्कोर तो याद कर लिया लेकिन वह आपको वास्तविक प्रश्न नहीं बता सका। शोध पत्र दिखाता है कि यह "औसत" अनुमान अक्सर ऐसी जगह पर पहुँच जाता है जो खेल में एक वैध स्थिति भी नहीं है।

दूसरा, वे एक अधिक यथार्थवादी घूमते हुए तरल पदार्थ (केल्विन-हेल्महोल्ट्ज़ अस्थिरता) के सिमुलेशन पर गए, जो इस बात की नकल करता है कि वायुमंडल में हवा और पानी कैसे मिलते हैं। उन्होंने एक मानक AI मॉडल (जो त्रुटि कम करने के लिए प्रशिक्षित है) की तुलना एक "डिफ्यूजन मॉडल" (Diffusion Model - एक प्रकार का AI जो भविष्य की एक पूरी श्रृंखला बनाना सीखता है, जैसे कि एक रचनात्मक कलाकार) से की।

• परिणाम: मानक AI मॉडल ने एक ऐसा पूर्वानुमान दिया जो अविश्वसनीय रूप से स्मूथ (चिकना) दिखता था। कागज़ पर इसका त्रुटि स्कोर थोड़ा कम था, लेकिन जब आपने बारीकी से देखा, तो इसने उन सभी छोटे, अशांत भंवरों और तीखे किनारों को हटा दिया था जो मौसम को वास्तविक बनाते हैं। यह एक ऐसी फोटो की तरह था जिसे शोर (noise) हटाने के लिए बहुत अधिक ब्लर कर दिया गया हो।
• हालाँकि, डिफ्यूजन मॉडल ने संभावित भविष्य के एक पूरे परिवार को उत्पन्न किया। जबकि इन भविष्य के 'औसत' ने मानक AI मॉडल की तरह ही स्मूथ लुक दिया, लेकिन व्यक्तिगत नमूने तीखे, विस्तृत थे और उन्होंने छोटे भंवरों और तीव्र ढालों (gradients) को बरकरार रखा।

"अति-आत्मविश्वासी" AI

शोध पत्र सुझाव देता है कि मुख्य मुद्दा एन्ट्रॉपी (entropy), या सूचना है। वास्तविक मौसम अव्यवस्थित, अनिश्चित और संभावनाओं से भरा होता है (उच्च एन्ट्रॉपी)। एक मानक AI मॉडल, जो आपको केवल एक एकल "सर्वश्रेष्ठ अनुमान" देता है, अनिवार्य रूप से कह रहा है, "मुझे 100% यकीन है कि ऐसा ही होगा।" यह अति-आत्मविश्वास है। यह एक मौसम विज्ञानी के ऐसा कहने जैसा है, "ठीक 2:03 बजे बारिश होगी," जबकि वास्तव में, यह 1:00 से 4:00 के बीच कभी भी हो सकती है।

चूंकि AI अपने एकल, स्मूथ औसत में इतना आत्मविश्वासी है, इसलिए यह चरम स्थितियों की भविष्यवाणी करने में विफल रहता है। यदि कोई तूफान 100 मील प्रति घंटे का तूफान या 50 मील प्रति घंटे की तेज हवा होने वाला है, तो AI एक सुरक्षित 75 मील प्रति घंटे की हवा की भविष्यवाणी कर सकता है, जो औसत तो है लेकिन उन लोगों के लिए आपदा है जो सबसे बुरे के लिए तैयारी करने की कोशिश कर रहे हैं। इसके अलावा, क्योंकि वह "औसत" अवस्था विभिन्न भौतिक वास्तविकताओं का गणितीय मिश्रण है, यह अक्सर ऊर्जा या द्रव्यमान के संरक्षण जैसे भौतिकी के नियमों को तोड़ देती है।

भविष्य के लिए इसका क्या अर्थ है

लेखक निष्कर्ष निकालते हैं कि समाधान केवल प्रशिक्षण डेटा को बदलने या लॉस फंक्शन (loss function) में थोड़ा बदलाव करने का नहीं है। समस्या यह है कि डिटरमिनिस्टिक (deterministic) मॉडल (जो एक एकल उत्तर देते हैं) हमारे मौसम जैसी अराजक, संभाव्य दुनिया के लिए मौलिक रूप से अनुपयुक्त हैं।

AI से यह पूछने के बजाय कि, "कल का सबसे संभावित मौसम क्या होगा?", हमें यह पूछना चाहिए, "कल के सभी संभावित मौसम क्या हैं, और उनकी संभावना कितनी है?" शोध पत्र जेनरेटिव मॉडल्स (जैसे डिफ्यूजन मॉडल) की ओर इशारा करता है जो भविष्य हैं। ये मॉडल केवल एक नंबर का अनुमान नहीं लगाते; वे एक वितरण (distribution) से नमूने लेते हैं, जिससे संभावित भविष्य का एक सेट बनता है जो वायुमंडल की वास्तविक अनिश्चितता और जटिलता को दर्शाता है।

संक्षेप में, शोध पत्र सुझाव देता है कि मौसम की भविष्यवाणी में वास्तव में महारत हासिल करने के लिए, AI को एक आदर्श "औसत" अनुमान लगाने वाला बनने के बजाय एक रचनात्मक समूह (ensemble) की तरह कार्य करने की आवश्यकता है, जो वास्तविक, भौतिक रूप से सुसंगत संभावनाओं की एक समृद्ध विविधता उत्पन्न कर सके। यह बदलाव अंततः AI को उन चरम घटनाओं और भौतिक नियमों को संभालने में सक्षम बनाने की कुंजी हो सकता है जो इसे रोक रहे हैं।