MIT کے محققین نے ایک تربیتی تکنیک تیار کی ہے جو عام طور پر مطلوبہ اعداد و شمار کے ایک حصے کو استعمال کرتے ہوئے تیز رفتار، موافقت پذیر AI آب و ہوا کے ماڈلز تیار کرتی ہے، ایک ایسا قدم جو ان کے بقول ان ٹولز کے پروڈکشن کے وقت کو مہینوں یا سالوں سے کم کر کے پالیسی فیصلوں کے لیے کہیں زیادہ قابل استعمال بنا سکتا ہے۔ یہ تحقیق اس ہفتے پروسیڈنگز آف دی نیشنل اکیڈمی آف سائنسز میں سامنے آئی ہے۔

زیر بحث ماڈلز کلائمیٹ ایمولیٹر ہیں: کمپیکٹ AI سروگیٹ سسٹم جو فل اسکیل ارتھ سسٹم ماڈلز (ESMs) کے رویے کی نقل کرتے ہیں۔ ESMs موسمیاتی سائنس کے کام کے ہارس ہیں - طبیعیات پر مبنی بہت بڑی نقلیں جو یہ پیش کرتی ہیں کہ درجہ حرارت، بارش اور سمندر کی سطح گرین ہاؤس گیسوں کے اخراج پر کس طرح ردعمل ظاہر کرتی ہے - لیکن مستقبل کے کسی ایک منظر نامے کو سپر کمپیوٹرز کے جھرمٹ پر چلنے میں مہینوں لگ سکتے ہیں۔ ایمولیٹرز، اس کے برعکس، سیکنڈوں میں چلتے ہیں، سائنسدانوں کو ہزاروں منظرناموں کی جانچ کرنے، علاقائی اثرات اور مخصوص آلودگیوں کی جانچ کرنے اور پالیسی مداخلتوں کے غیر متوقع نتائج کو جھنڈا دینے دیتے ہیں۔ سائنس میں AI کے بڑھتے ہوئے کردار کی جاری کوریج کے لیے، ہماری AI ریسرچ نیوز کو فالو کریں۔

مسئلہ: حقیقت پسندانہ تربیتی ڈیٹا نازک ماڈل بناتا ہے۔

جب محققین آب و ہوا کا ایمولیٹر بناتے ہیں، تو وہ اسے عام طور پر چھ سے آٹھ مستقبل کے اخراج کے منظرناموں پر تربیت دیتے ہیں جو حقیقت پسندانہ رفتار کی پیروی کرتے ہیں۔ تربیتی ڈیٹا تیار کرنے کے لیے ہر ایک کو مکمل ESM کے ذریعے چلایا جانا چاہیے، جس سے ڈیٹا سیٹ کی پیداوار مہنگی اور سست ہو جاتی ہے۔ ایم آئی ٹی ٹیم نے پہلے ایک باریک ناکامی کے موڈ کی نشاندہی کی تھی: حقیقت پسندانہ منظرناموں پر تربیت یافتہ ایمولیٹرز جب ناواقف یا نئے حالات کی پیشین گوئی کرنے کے لیے کہا جائے تو وہ کم کارکردگی دکھا سکتے ہیں — بالکل ایسے حالات جو پالیسی سازوں کو تیزی سے تلاش کرنے کی ضرورت ہے۔

"ہمارا الگورتھم کچھ عجیب و غریب منظرنامے پیدا کر سکتا ہے جو حقیقت پسندانہ مستقبل کی طرح نظر نہیں آتے، لیکن اگر تربیتی منظرنامے حقیقت پسندانہ ہوں تو ہمیں اس سے زیادہ پرواہ نہیں ہے،" کرسٹوفر ووماک پی ایچ ڈی '26، جو اب ETH زیورخ میں پوسٹ ڈاک ہیں اور اس مقالے کے سرکردہ مصنف ہیں، MIT News میں۔ "ہم صرف ایک ایمولیٹر کو تربیت دینے کے لیے بہترین ممکنہ ڈیٹا سیٹ بنانے کی کوشش کر رہے ہیں۔"

آٹھ کی بجائے ایک ESM چلائیں۔

نئی تکنیک معمول کی پائپ لائن کو الٹ دیتی ہے۔ حقیقت پسندانہ منظرناموں کو جمع کرنے کے بجائے، ایک الگورتھم ایک مخصوص ایمولیٹر کی پیش گوئی کی مہارت کو زیادہ سے زیادہ بنانے کے لیے موزوں مصنوعی منظرنامے تیار کرتا ہے۔ یہ عمل ایک تیز رفتار، سادہ آب و ہوا کے ماڈل کے ذریعے چلنے والے من مانی منظر نامے کے ساتھ شروع ہوتا ہے، یہ پیمائش کرتا ہے کہ ایمولیٹر مکمل ESM کے نتائج کو کتنی اچھی طرح سے دوبارہ پیش کرتا ہے، پھر تربیتی اعداد و شمار کو تکراری طور پر پریشان کرتا ہے — 2050 میں CO2 کے اخراج میں تیزی سے اضافہ، کہیے، یا 2037 میں میتھین کو تیزی سے کاٹنا — جب تک کہ ایمولیٹر کی غلطی سے نیچے نہ آجائے۔

نتیجے میں مصنوعی منظرنامے ہموار حقیقی دنیا کی رفتار کی طرح کچھ نہیں نظر آتے ہیں۔ وومیک نے کہا کہ "ان ہائی فریکونسی وگلز اور oscillations کو متعارف کروا کر، ہمارا ڈیٹا ایمولیٹر کو مجموعی نظام کے بارے میں بہت زیادہ معلومات حاصل کرنے کے قابل بناتا ہے۔" عملی ادائیگی کافی ہے: جہاں ایک بار تربیتی سیٹ بنانے کے لیے چھ سے آٹھ بار مکمل ESM چلانے کی ضرورت ہوتی ہے، اب صارف کو ایک ہی دوڑ کی ضرورت ہے۔

روایتی ماڈلز ٹیسٹ پاس کرنے میں ناکام رہے۔

محققین نے رپورٹ کیا ہے کہ ایک ایمولیٹر نے اپنے طریقہ کار کے ساتھ تربیت یافتہ ایسے منظرناموں کے نتائج کی درست پیش گوئی کی جو اس نے تربیت کے دوران کبھی نہیں دیکھے تھے، جبکہ روایتی ایمولیٹر موافقت کرنے میں ناکام رہے۔ ایم آئی ٹی نیوز کی طرف سے روشنی ڈالی گئی ایک جانچ میں، مصنوعی تربیت یافتہ ایمولیٹر نے مقامی آلودگی پر قابو پانے کی پالیسی کے اثرات کو درست طریقے سے گرفت میں لیا جو ایک آلودگی کو کم کرتا ہے جبکہ دیگر اخراج میں مسلسل اضافہ ہوتا رہتا ہے - ایک ایسا معاملہ جہاں روایتی طور پر تربیت یافتہ ایمولیٹروں کا جائزہ لیا گیا وہ ناکام رہے۔

وومیک نے کہا کہ "آب و ہوا کے ایمولیٹر خاص طور پر پالیسی سے متعلقہ منظرناموں کی ماڈلنگ کے لیے موزوں ہیں۔" "ایمولیٹر کے لیے بہتر تربیتی ڈیٹا تیار کرنے کے لیے اپنے طریقہ کار کو استعمال کرتے ہوئے، ہم بہت زیادہ قابل اعتماد ایمولیٹرز کی پیداوار کو تیز کر سکتے ہیں، تاکہ ہم پالیسی فیصلے کرنے کے لیے ان کے نتائج پر بہتر اعتماد کر سکیں۔"

موافقت اہمیت رکھتی ہے کیونکہ مستقبل تربیتی سیٹ سے مشابہت نہیں رکھتا ہے۔ سیلن نے کہا، "مستقبل میں، ہم یقینی طور پر ایسے موسم اور منظرنامے دیکھنے جا رہے ہیں جو ہم نے پہلے نہیں دیکھے تھے۔" "اگر ہم ان مختلف منظرناموں کو زیادہ مضبوطی سے نقل کر سکتے ہیں، تو ہم اسٹیک ہولڈرز کو زیادہ قابل اعتماد معلومات فراہم کر سکتے ہیں جنہیں اس کی ضرورت ہے۔"

وقت کیوں اہمیت رکھتا ہے۔

سینئر مصنف Noelle Selin، MIT کے انسٹی ٹیوٹ برائے ڈیٹا، سسٹمز، اور سوسائٹی اور شعبہ زمین، ماحولیات اور سیاروں کے سائنسز کے پروفیسر اور مرکز برائے پائیداری سائنس اور حکمت عملی کے ڈائریکٹر، نے اس کام کو خود آب و ہوا کی معلومات کے لیے سپلائی چین فکس کے طور پر تیار کیا۔ چونکہ ایمولیٹر کی تربیت میں مہینوں یا سال لگ سکتے ہیں، اس لیے منصوبہ سازوں کے لیے دستیاب ٹولز اکثر پرانے ہوتے ہیں۔ انہوں نے کہا کہ پیداوار کے اس وقت کو کم کرکے، مجھے لگتا ہے کہ یہ تکنیک محققین اور پریکٹیشنرز کے ہاتھوں میں جدید ترین ٹولز حاصل کرنے کے لحاظ سے گیم چینجر ثابت ہوگی۔

ایپلی کیشنز اکیڈمیا سے آگے بڑھی ہیں: تازہ ترین آب و ہوا کے تخمینے پاور گرڈ لچک، صحت عامہ کے تحفظ اور زرعی منصوبہ بندی کے فیصلوں سے آگاہ کرتے ہیں۔ اس ٹیم میں شاہین بوابیڈ، آندرے سوکولوف، پوپٹ سالونکے اور ایم آئی ٹی کے گلین فلیرل اور امپیریل کالج لندن کے سیباسٹین ڈی ایسٹھم بھی شامل تھے۔ محققین کا اگلا ہدف تکنیک کو بڑھانا ہے تاکہ ایمولیٹر مضبوط رہیں کیونکہ سیارہ آب و ہوا کے حالات میں داخل ہوتا ہے جس کی کوئی تاریخی نظیر نہیں ملتی۔

---

AI سے آگے رہیں

تازہ ترین AI خبریں، تجزیہ اور کامیابیاں حاصل کریں — سب ایک جگہ پر۔

مزید AI خبریں پڑھیں →