NVIDIA tarafından Lawrence Berkeley Ulusal Laboratuvarı (Berkeley Lab) ile iş birliği içinde geliştirilen bir makine öğrenimi aracı olan Huge Ensembles (HENS), aşırı hava tahminlerinde süper bilgisayar sınıfı tahminleri sunuyor. Ancak bu, çok daha az hesaplama gücü ve maliyetle sağlanıyor. Açık kaynak kod veya çalıştırmaya hazır model olarak sunulan bu teknoloji, uzun süreli sıcak hava dalgalarından 100 yıllık kasırgalara kadar düşük olasılıklı, yüksek etkili olayları tahmin edebilirsiniz. Bu teknoloji, iklim bilimcileri, şehir yetkilileri ve acil durum yöneticilerinin senaryoları hızla test etmelerine ve yanıt planlarını güncellemelerine yardımcı olabilir.
Geoscientific Model Development dergisinde yayımlanan iki bölümlük çalışmada, 27.000 yıllık veri üreten bir yöntem olarak HENS tanıtıldı. Bu, mevcut en büyük ve en güvenilir hava ve iklim simülasyonu topluluklarından birini oluşturmaktadır.
NVIDIA’nın PhysicsNeMo adını verdiği, fizik tabanlı yapay zeka modellerinin ölçekli bir şekilde inşa edilmesi, eğitilmesi ve ince ayar yapılması için kullanılan açık kaynak bir Python çerçevesi ile Makani açık kaynak çerçevelerini kullanan araştırmacılar, HENS metodolojisini geliştirmek için küresel hava modelini eğitti.
“27.000 yıllık simülasyonlar, aşırı hava olaylarının istatistiklerini ve sürücülerini incelemek için bir altın madeni gibidir,” diyor çalışmanın ortak yazarı ve Berkeley Lab’ın Yer ve Çevre Bilimleri Bölümü’nde araştırmacı olan Ankur Mahesh. “Bu büyük örneklem büyüklüğü, daha önce görülmemiş bir ölçekte.”
HENS İle Hızlı Tahminler
HENS, diğer yöntemlerden daha hızlı tahmin yapabiliyor; yani tahmin süresi dakikalar içinde gerçekleşiyor ve aşırı hava olaylarını 6 saatten 14 güne kadar önceden tahmin edebiliyor. Tahminler, 25 kilometre (15 mil) çözünürlükte yapılıyor. Bu, araştırmacıların yüksek çözünürlükte iklim desenlerini birçok yıl boyunca inceleyerek aşırı olayların öncüllerini belirlemelerine yardımcı oluyor.
“HENS ile artık yıllar ve on yıllar boyunca düşük olasılıklı, yüksek etkili aşırı olaylar peşinde koşma lüksüne sahibiz; tek bir yakın olay üzerine değil,” diyor çalışmanın kıdemli ortak yazarı Bill Collins, Berkeley Lab’ın Yer ve Çevre Bilimleri Bölümü’nde kıdemli bilim insanı ve UC Berkeley profesörü. HENS aynı zamanda diğer yöntemlere göre çok daha az enerji ve insan saati gerektiriyor. Ayrıca, yeni verilerle modellerin tekrar eğitilmesi, doğruluk sağlama tekniği için de diğer yöntemlerden daha hızlı bir şekilde gerçekleşiyor.
HENS’in Eğitim Süreci
HENS, PhysicsNeMo kullanılarak 40 yıllık ERA5 verisi ile eğitilen bir yapay zeka modeliyle çalışıyor. Bu model, tahminler için çok daha ucuz bir hesaplama yöntemi sunuyor. Berkeley Lab’daki Ulusal Enerji Araştırma Bilimsel Hesaplama Merkezi (NERSC) makine öğrenimi mühendislerinden Shashank Subramanian, Mahesh ile birlikte eğitim ve değerlendirme iş akışlarını geliştirip test etti. “HENS bir oyun değiştirici. Bugüne kadar, 1.000 veya 10.000 üyeli simülasyon toplulukları oluşturmak, hesaplama ve veri depolama maliyetleri nedeniyle pratik olarak imkansızdı,” diyor çalışmanın ortak yazarı ve UC Irvine profesörü olan Michael Pritchard. “Bu ekibin dikkatli çalışmaları sayesinde, devasa topluluklar oluşturmak için uygun hale getirildi.”
Aşırı Hava Tahmininde HENS’in Sağladığı İyileştirmeler
Ulusal hava servisleri, farklı olası hava senaryolarını yakalamak için genellikle küçük değişikliklerle birden fazla simülasyon yürütüyor. Geleneksel hava modelleri sadece 50 üye ile sınırlı kalırken, HENS, yaz 2023’teki her gün için 7.424 üye oluşturdu. Bu, geleneksel modellerin sağladığı üye sayısının neredeyse 150 katıdır. Her bir üye, geçen yaz hava koşullarının alternatif bir yolunu temsil ediyor.
Mahesh, “Bu, dağıtımın kuyruk kısmını daha iyi değerlendirmemizi sağladı ve geçen yaz gerçekleşmiş olabilecek aşırı olayları anlamamıza yardımcı oldu,” diyor. HENS’in tahminleri, geleneksel modellerinkinden on kat daha az belirsizliğe sahiptir ve diğer modellerin genellikle atladığı nadir ama şiddetli aşırı hava olaylarının %96’sını yakalama yeteneğine sahiptir. Tüm bu güçlü yönler, ekibin yaklaşık 27.000 yıllık iklim verisi (20 petabayt) oluşturmalarına olanak sağladı.
Gelecek Planları
Mahesh, “Gelecekte, 27.000 yıllık simülasyonları incelemeyi ve son yıllarda toplulukları kasvetli bir şekilde etkileyen düşük olasılıklı yüksek etkili olaylar üzerine yeni bilgiler edinmeyi umuyoruz,” diyor. Ayrıca, HENS’in çalıştırılması için gereken hesaplama gereksinimlerini daha da azaltmayı hedefliyorlar.
İlgili Kaynaklar
- HENS açık kaynak kodu ve tam eğitimli model için GitHub’da
- HENS araştırma makaleleri:
NERSC, Berkeley Lab’daki DOE Bilim Ofisi kullanıcı tesisidir ve bu çalışma DOE Bilim Ofisi tarafından desteklenmiştir.
