اختبار طيفي لتأثير الفراشة والاتساق الفيزيائي في مجموعات GenCast المستندة إلى الانتشار

لماذا تهم الأخطاء الطفيفة في الطقس

لا تفشل توقعات الطقس لمجرد نقص البيانات فحسب؛ بل تفشل أيضًا لأن الأخطاء الصغيرة في حالة الغلاف الجوي اليوم يمكن أن تتضخم مع الزمن، وهي فكرة تُعرف غالبًا بتأثير الفراشة. ومع بدء نماذج الذكاء الاصطناعي القوية في مضاهاة نماذج الطقس التقليدية القائمة على الفيزياء، يصبح من الضروري السؤال ليس فقط عما إذا كانت هذه الأنظمة تحقق نتائج جيدة في مقاييس الدقة الشائعة، بل عما إذا كانت تتصرف مثل الغلاف الجوي الحقيقي عندما تنمو الأخطاء الصغيرة وتنتشر.

أدوات قديمة وأدوات جديدة للتنبؤ

تعتمد وكالات الطقس الحديثة على نماذج حاسوبية قائمة على الفيزياء تحاكي الرياح والغيوم ودرجة الحرارة حول الكرة الأرضية. هذه النماذج، مثل نظام التنبؤ في المركز الأوروبي، تشغّل العديد من النسخ المتباينة قليلًا في آن واحد لتبيّن كيف تتزايد حالة عدم اليقين مع الزمن. مؤخرًا ظهرت نماذج التنبؤ بالطقس المبنية على التعلم العميق مثل GenCast. بدلًا من حل المعادلات الفيزيائية خطوة بخطوة، يتعلم GenCast من عقود من بيانات الإعادة التحليلية ويضيف ضجيجًا مُنظَّمًا بعناية لإنشاء مجموعات كبيرة من التنبؤات بسرعة كبيرة. تسأل هذه الدراسة ما إذا كانت هذه المجموعات المولّدة بالذكاء الاصطناعي تتصرف مثل تلك الناتجة عن النماذج التقليدية فيما يتعلق بانتشار الأخطاء عبر المقاييس المكانية المختلفة.

تتبّع الطاقة عبر المقاييس الكبيرة والصغيرة

يركز المؤلفون على الطاقة الحركية للرياح في طبقات عالية من الغلاف الجوي قرب التيارات النفاثة، حيث يمكن للاضطرابات الصغيرة أن تنمو بسرعة. ينظرون في كيفية تطور الاختلافات بين أعضاء المجموعة مع الزمن وكيف تتوزع الطاقة عبر مقاييس تمتد من موجات كوكبية بعشرات الآلاف من الكيلومترات إلى ميزات متوسطة المقياس بعشرات إلى مئات الكيلومترات. في نموذج المجموعة التقليدي، تنمو أخطاء المقاييس الصغيرة أحيانًا ثم تغذي الأنماط الأكبر أو تُخمَّد بواسطة عمليات فيزيائية مثل الاضطراب والحمل الحراري. يترك هذا السلوك منحنى مميزًا عندما تُرسم الطاقة كدالة للحجم، مع ميل متوقع في نطاقات أحجام مختلفة.

ما الذي يصيبه GenCast وما الذي يخطئ فيه

يستوعب GenCast بعض جوانب هذا السلوك. عند المقاييس المتوسطة المرتبطة بأنظمة الطقس الاعتيادية، يبدو نمو أخطائه مشابهًا لذلك في مجموعة النماذج التقليدية، وتتشابه أنماط التدفق على المقاييس الكبيرة مع تلك من النماذج المرجعية ومن إعادة التحليل. ومع ذلك، تظهر مشكلتان رئيسيتان. أولًا، عند أكبر المقاييس جدًا، لا يظهر GenCast نموًا قويًا للأخطاء كما في مجموعة النماذج الفيزيائية، مما يشير إلى أن تمثيله لتأثير الفراشة ناقص. ثانيًا، عند نطاقات الميزو-مقياس الأصغر، يَسْطح منحنى الطاقة إلى ذيل شبه ثابت منذ خطوة التنبؤ الأولى ويتغير بالكاد مع الزمن. عندما تُحلَّل الرياح إلى مكوناتها وتُعرض على خرائط، تبدو هذه الميزات الصغيرة واسعة وضجّية تقريبًا وكأنها حبيبات عشوائية بدلًا من خيوط حادة مصطفة مع التيارات النفاثة أو مشكَّلة بفعل الجبال.

دلالات من خرائط الحدة والطبوغرافيا

عن طريق فصل المقاييس الكبيرة والصغيرة وفحص كيفية تفاعلهما، يجد المؤلفون أن النماذج القائمة على الفيزياء تُظهر بصمات طبوغرافية واضحة، مثل أنماط متبادلة فوق الأنديز تشير إلى موجات جبلية ومقاومة للتدفق. يفتقر GenCast إلى هذه الإشارات الواضحة ويعرض بدلًا من ذلك طاقة صغيرة المقياس واسعة وشديدة تتفاوت بشكل كبير من عضو مجموعة لآخر. عندما ينظرون إلى سرعة تغير الطاقة الحركية في الفراغ، تُظهر النماذج التقليدية خطوطًا رفيعة ومتعرجة تتبع نوى التيارات النفاثة، بينما ينتج GenCast أحزمة سميكة متساوية الاتجاه تقريبًا من التدرجات الضجيجية التي تكاد لا تتطور خلال عشرة أيام. يشير هذا إلى أن إدخال الضجيج في النموذج AI يولد تفاوتًا يبدو نشطًا من الناحية الإحصائية لكنه لا يتبع مسارات الديناميكيات الجوية الحقيقية.

لماذا يهم ذلك لنماذج الطقس بالذكاء الاصطناعي في المستقبل

تخلص الدراسة إلى أن GenCast يمكنه إنتاج توقعات ذات مهارة وأنماط مقاييس كبيرة واقعية لكنه يفشل في اختبارات مهمة للاتساق الفيزيائي على المقاييس الأصغر. يؤدي معالجته للضجيج إلى ميزات مستمرة وغير فيزيائية لا تخضع لانتشار أو تسلسل الطاقة كما في التدفقات الجوية الحقيقية، والتي تُضعف انتشار عدم اليقين الواقعي على المقاييس الكوكبية. لكي يصبح التنبؤ بالطقس بالذكاء الاصطناعي شريكًا موثوقًا به تمامًا للنماذج التقليدية، سيحتاج مطوروه إلى إعادة التفكير في كيفية إضافة الاضطرابات العشوائية والتحكم بها بحيث لا تطابق المجموعات الدرجات فحسب، بل تحترم أيضًا الفيزياء الكامنة وراء تأثير الفراشة.

الاستشهاد: Kim, H., Ryu, J., Son, SW. et al. A spectral test of the butterfly effect and physical consistency in the diffusion-based GenCast’s ensembles. npj Clim Atmos Sci 9, 110 (2026). https://doi.org/10.1038/s41612-026-01380-1

الكلمات المفتاحية: تنبؤ الطقس بالذكاء الاصطناعي, تنبؤ بالمجموعات, تأثير الفراشة, طيف الطاقة الحركية, نموذج GenCast