जलवायु मॉडल: तीस साल की कंप्यूटिंग, और बारिश अब भी मुश्किल

जलवायु नीति के पीछे के ज़्यादातर सबूत जलवायु मॉडलों से आते हैं। 1995 से, CMIP — कपल्ड मॉडल इंटरकम्पैरिज़न प्रोजेक्ट (Coupled Model Intercomparison Project) — नाम का एक अंतरराष्ट्रीय कार्यक्रम उन्हें साझा नियमों के तहत, पीढ़ी दर पीढ़ी, साथ-साथ चलाता आया है। हर पीढ़ी ने ज़्यादा बारीक ग्रिड और ज़्यादा भौतिकी इस्तेमाल की है, इसलिए ज़्यादा कंप्यूटिंग भी। सेंट एंड्रयूज़ विश्वविद्यालय और ब्रिटेन के नेशनल सेंटर फ़ॉर एटमॉस्फ़ेरिक साइंस की Ioana Colfescu के नेतृत्व वाली 24 शोधकर्ताओं की टीम के अनुसार, कोई इस बात पर नज़र नहीं रखता कि इसमें कितनी ऊर्जा ख़र्च होती है, और बदले में क्या मिलता है।

159 मॉडल, एक त्रुटि स्कोर

टीम ने पाँच CMIP पीढ़ियों के 159 मॉडलों के लिए, उनके संग्रहीत आउटपुट से, एक ही त्रुटि सूचकांक दोबारा गणना किया: हर मॉडल की सर्दियों की जलवायु (1979–1999) प्रेक्षणों से कितनी भटकती है, तीन चरों के लिए — समुद्र तल पर वायुदाब, सतह के पास हवा का तापमान और वर्षा। सिर्फ़ ये तीन, क्योंकि दूसरी पीढ़ी ने इनके अलावा कुछ भी संग्रहीत नहीं किया था। जितना कम, उतना बेहतर।

माध्यिका त्रुटि पहली पीढ़ी में 1.56 से घटकर छठी में 0.61 हो जाती है। इसी अवधि में, एक सामान्य मॉडल के लिए ज़रूरी कंप्यूटिंग, जिसका अनुमान उसके ग्रिड रिज़ॉल्यूशन से लगाया गया, लगभग 29 गुना बढ़ी।

रिटर्न की एक स्थिर दर

पीढ़ी दर पीढ़ी, त्रुटि 21, 28, 21 और 14% घटती है — एक अनियमित श्रृंखला। लेकिन हर क़दम ने कितनी कंप्यूटिंग जोड़ी, इसके सापेक्ष मापने पर पैटर्न नियमित हो जाता है: कंप्यूटिंग के हर दोगुने होने पर 13.5% कम त्रुटि, उन तीन बदलावों में केवल 0.7 अंकों के फैलाव के साथ जहाँ यह तुलना काम करती है।

यह दर एक सीधा, गंभीर कर देने वाला हिसाब देती है। त्रुटि को आधा करने में लगभग 4.8 बार दोगुना करना पड़ता है, “क्योंकि 0.865 की घात 4.8 बराबर 0.5 है”, लेखक लिखते हैं — और 4.8 बार दोगुना करने का मतलब है आज के मॉडलों से लगभग 28 गुना ज़्यादा कंप्यूटिंग। इस बीच, पीढ़ियों के बीच कंप्यूटिंग की बढ़त धीमी हुई है, 2.2 बार दोगुना होने से 1.1 पर।

लेखक इसके अर्थ को लेकर सावधान हैं। बेहतर भौतिकी भी मॉडलों को सुधारती है, और दोनों को अलग नहीं किया जा सकता, इसलिए 13.5% कंप्यूटिंग और विज्ञान का संयुक्त रिटर्न मापता है। और यह पिछली प्रगति का वर्णन करता है, प्रकृति का कोई नियम नहीं।

बारिश पिछड़ जाती है

एक अकेला स्कोर बड़े अंतर छिपा लेता है। पहली और छठी पीढ़ी के बीच, समुद्र तल के दाब की त्रुटि 3.5 गुना और सतह के तापमान की 2.7 गुना घटी। वर्षा की त्रुटि 7% घटी। इस माप के अनुसार, तीन दशकों में जोड़े गए रिज़ॉल्यूशन और जटिलता ने उस चर को मुश्किल से ही सुधारा है जो जलवायु के प्रभावों के लिए सबसे ज़्यादा मायने रखता है।

वह ऊर्जा जिसे कोई नहीं मापता

ऊर्जा की रिपोर्टिंग अधूरी है। जिन आठ संस्थानों ने नवीनतम पीढ़ी के पूरे आँकड़े प्रकाशित किए, उनका हिस्सा 1,692 टन CO₂ है। मापी गई ऊर्जा वाले 13 मॉडलों में, प्रति सिम्युलेटेड वर्ष ऊर्जा में 65 गुना का अंतर है, और यह रिज़ॉल्यूशन के साथ मुश्किल से ही चलती है। 30 संस्थानों में से नौ मानकीकृत ऊर्जा आँकड़े प्रकाशित करते हैं, और कोई भी किसी कौशल स्कोर (skill score) से जुड़ी ऊर्जा नहीं बताता।

GraphCast, Pangu-Weather, FuXi और GenCast जैसे AI मौसम मॉडल अब यूरोपीय केंद्र के उच्च-रिज़ॉल्यूशन पूर्वानुमान की बराबरी करते हैं या उससे आगे निकल जाते हैं। कहा जाता है कि इन्हें चलाना कहीं सस्ता है। लेकिन टीम को इनके पूर्वानुमान बनाने में लगने वाली ऊर्जा का कोई प्रकाशित माप नहीं मिला, इसलिए उन्होंने बताए गए हार्डवेयर और रन-टाइम से इसे दोबारा गढ़ा। फिर उन्होंने प्रशिक्षण जोड़ा: GraphCast के लिए लगभग 2,900 kWh, Pangu-Weather के लिए 62,000 kWh। रोज़ चार पूर्वानुमानों वाले एक साल में, प्रशिक्षण हर सिस्टम की ऊर्जा का 99% से ज़्यादा है, और प्रति किलोवाट-घंटा कौशल में Pangu-Weather दूसरे से आख़िरी स्थान पर आ जाता है।

सीढ़ी की जगह एक सीमांत

यह रोडमैप मॉडलों को एक कौशल–ऊर्जा तल पर परखने का प्रस्ताव रखता है: एक अक्ष पर कौशल, दूसरे पर ऊर्जा, और उन सिस्टमों का समूह जिन्हें कोई दूसरा दोनों में नहीं हराता। कौशल को ऊर्जा से भाग देकर बना एक स्कोर एक ही वर्ग के सिस्टमों को क्रम दे सकता है, लेकिन लेखक चेताते हैं कि इसे कभी अकेले इस्तेमाल नहीं करना चाहिए: लगभग बेकार मॉडल जो लगभग कोई ऊर्जा न ले, अच्छा स्कोर पा जाएगा। वे ऊर्जा रिपोर्टिंग के पाँच स्तर भी सुझाते हैं, “रिपोर्ट किया गया” से “पूर्ण और ऑडिट किया गया” तक, और कम में ज़्यादा करने के चार तरीक़े: बेहतर डिज़ाइन किए गए प्रयोग, GPU जैसे नए हार्डवेयर, डेटा की कम उठा-पटक, और लक्षित AI घटक।

वे जोखिमों की ओर भी इशारा करते हैं: सस्ते रन का मतलब बस ज़्यादा रन हो सकता है, और बड़े मौसम मॉडलों का प्रशिक्षण कुछ ही संगठनों और देशों में केंद्रित है। उनका पहला क़दम मामूली है। मॉडलों की अगली पीढ़ी — CMIP8 — शुरू होने से पहले, स्पष्ट सीमाओं के साथ, सटीकता के बगल में ऊर्जा बताइए।