الذكاء الاصطناعي يحاكي غيوم العالم ويُوفّر الطاقة 50 ضعفاً ✛ ✦

الأصل: "Scaling Storm-Resolving Atmospheric AI Simulation to the Entire Planet"
arXiv:2606.31248 · 2026-06-30 · CC BY 4.0 · 1 دقيقة
شبكة STRATA العصبية تعيد إنتاج الغيوم والعواصف عبر الكوكب، وتستهلك طاقة أقل بـ 50 مرة.

يعمل STRATA كفنان يتعلم رسم السماء. فبدلاً من حامل اللوحات، يستخدم خادماً، وبدلاً من الرسوم التخطيطية، يعتمد على تسجيلات فيديو قصيرة للغيوم والعواصف من أنحاء مختلفة من الأرض. يستوعب البرنامج هذه اللقطات، ثم يكوّن صورة متكاملة للغلاف الجوي فوق الكوكب بأكمله لليوم التالي.

على عكس النماذج العددية القديمة — تلك الحسابات الضخمة حيث تعمل الآلة مثل محاسب دقيق يمشّط درجات الحرارة والرياح والرطوبة لكل نقطة — يرى STRATA النمط العام. فهو يلتقط القوانين مباشرة من البيانات، وهذا يتطلب طاقة أقل بـ 50 مرة.

يكمن السر في أن البرنامج يقسم السماء إلى مربعات أشبه بضربات فرشاة، ويجمع منها فسيفساء، آخذاً في الاعتبار قوتين رئيستين فقط: حرارة الشمس وجاذبية الأرض. وحتى الإنتروبيا — الفوضى الجوية — ليست عائقاً، بل إيقاعاً يمكن تعلّمه. المدهش أنه احتاج 17 يوماً فقط من المراقبة ليتقن غيوم الكوكب. ونتيجة لذلك، بدلاً من محطة طاقة، يكفي حاسوب عادي، وتنخفض انبعاثات ثاني أكسيد الكربون. وهكذا يحصل علماء المناخ على أداة سريعة لتوقعات دقيقة للعواصف المطيرة والأعاصير.

احتاج STRATA فقط 17 يوماً من بيانات الطقس — أقل من مدة الإجازة — ليتعلم التنبؤ بالغيوم عبر الكوكب ليوم كامل مقدماً.

هذا النموذج أشبه بخطوة نحو آلة التنبؤ من خيال إسحق عظيموف. لكنه اليوم ليس خيالاً، بل أداة عملية في أيدي علماء المناخ.

\text{FLOPs} \approx 2NP
N هو عدد الرقع، P هو عدد البارامترات: تزداد التكلفة خطيًا مع حجم النموذج وحجم البيانات، لذا فإن التدريب المحلي على البلاطات يحقق توفيرًا هائلاً.
PV = nRT
الضغط والحجم ودرجة حرارة الهواء مرتبطة ببعضها بإحكام – يقوم على هذا القانون البسيط كامل الديناميكا الحرارية لنماذج الغلاف الجوي، بما في ذلك STRATA.
العلماء
Ludwig BoltzmannHenri PoincaréJohn von NeumannJosiah Willard Gibbs
المفاهيم
OISST v2.1 wind stress ضغط جوي ERA5 مناخ الهطول sea surface temperature troposphere data assimilation GPCP slam نموذج المناخ Earth's energy imbalance ذكاء اصطناعي Satellite layers سحابة annual cycle زلزال reanalysis OISST NRT