हवामान मॉडेल: तीस वर्षांची संगणनशक्ती, आणि पाऊस अजूनही कठीणच

हवामान धोरणामागील बराचसा पुरावा हवामान मॉडेलकडून येतो. 1995 पासून, CMIP — Coupled Model Intercomparison Project (जोडलेल्या मॉडेलच्या परस्पर-तुलनेचा प्रकल्प) — नावाचा एक आंतरराष्ट्रीय कार्यक्रम ही मॉडेल समान नियमांनुसार, पिढीमागून पिढी, शेजारी शेजारी चालवत आला आहे. प्रत्येक पिढीने अधिक बारीक ग्रिड आणि अधिक भौतिकशास्त्र वापरले, आणि म्हणून अधिक संगणन. आयोआना कोलफेस्कू (Ioana Colfescu, सेंट अँड्रूज विद्यापीठ आणि ब्रिटनचे National Centre for Atmospheric Science) यांच्या नेतृत्वाखालील 24 संशोधकांच्या संघानुसार, यासाठी किती ऊर्जा खर्च होते, आणि त्यातून काय मिळते, याचा मागोवा कोणीही घेत नाही.

159 मॉडेल, एक त्रुटी-गुण

संघाने पाच CMIP पिढ्यांमधील 159 मॉडेलसाठी, त्यांच्या संग्रहित आउटपुटचा वापर करून, एकच त्रुटी-निर्देशांक पुन्हा काढला: प्रत्येक मॉडेलचे हिवाळी हवामान (1979–1999) निरीक्षणांपासून किती भरकटते, तेही तीन चलांसाठी — समुद्रसपाटीवरील हवेचा दाब, पृष्ठभागावरील हवेचे तापमान आणि पर्जन्य. फक्त ही तीनच, कारण दुसऱ्या पिढीने याखेरीज काहीही संग्रहित केलेले नाही. कमी तितके चांगले.

मध्यम (median) त्रुटी पहिल्या पिढीत 1.56 वरून सहाव्या पिढीत 0.61 पर्यंत खाली येते. त्याच कालावधीत, एका नेहमीच्या मॉडेलला लागणारे संगणन, त्याच्या ग्रिडच्या विभेदनावरून अंदाजित, सुमारे 29 पटीने वाढले.

परताव्याचा स्थिर दर

पिढी दर पिढी, त्रुटी 21, 28, 21 आणि 14% ने घटते — एक अनियमित मालिका. पण प्रत्येक टप्प्याने किती संगणन वाढवले त्या तुलनेत मोजल्यास, नमुना नियमित होतो: संगणन प्रत्येक वेळी दुप्पट झाल्यावर 13.5% कमी त्रुटी, आणि जिथे तुलना शक्य आहे अशा तीन संक्रमणांमध्ये फक्त 0.7 अंकांचा फरक.

हा दर एक साधे, पण विचार करायला लावणारे गणित देतो. त्रुटी निम्मी करायला सुमारे 4.8 वेळा दुप्पट व्हावे लागते, “कारण 0.865 चा 4.8 वा घात 0.5 आहे”, असे लेखक लिहितात — आणि 4.8 वेळा दुप्पट म्हणजे आजच्या मॉडेलपेक्षा सुमारे 28 पट अधिक संगणन. दरम्यान, पिढ्यांमधील संगणनाची वाढ मंदावली आहे, 2.2 वेळा दुप्पट होण्यावरून 1.1 वर.

याचा अर्थ काय, याबाबत लेखक सावध आहेत. चांगले भौतिकशास्त्रही मॉडेल सुधारते, आणि ही दोन वेगळी करता येत नाहीत, त्यामुळे 13.5% हा संगणन आणि विज्ञान यांचा एकत्रित परतावा मोजतो. आणि तो भूतकाळातील प्रगतीचे वर्णन करतो, निसर्गाचा नियम नव्हे.

पाऊस मागे पडतो

एकच गुण मोठे फरक लपवतो. पहिल्या आणि सहाव्या पिढीदरम्यान, समुद्रसपाटीवरील दाबातील त्रुटी 3.5 पटीने आणि पृष्ठभागाच्या तापमानातील त्रुटी 2.7 पटीने घटली. पर्जन्याच्या बाबतीत ती 7% ने घटली. या मापानुसार, तीन दशकांत वाढलेले विभेदन आणि गुंतागुंत यांनी हवामानाच्या परिणामांसाठी सर्वांत महत्त्वाच्या चलात जवळजवळ सुधारणा केलेली नाही.

कोणीही न मोजलेली ऊर्जा

ऊर्जेच्या नोंदी तुटक आहेत. ज्या आठ संस्थांनी नव्या पिढीसाठी पूर्ण डेटा प्रसिद्ध केला, त्यांचा वाटा 1,692 टन CO₂ इतका आहे. मोजलेली ऊर्जा असलेल्या 13 मॉडेलमध्ये, प्रत्येक सिम्युलेट केलेल्या वर्षामागची ऊर्जा 65 पटीने बदलते, आणि ती विभेदनाशी जवळजवळ जुळत नाही. 30 संस्थांपैकी नऊ संस्था प्रमाणित ऊर्जा-आकडे प्रसिद्ध करतात, आणि कोणतीही संस्था कौशल्य-गुणाशी जोडलेली ऊर्जा नोंदवत नाही.

GraphCast, Pangu-Weather, FuXi आणि GenCast यांसारखी AI हवामान मॉडेल आता युरोपियन केंद्राच्या उच्च-विभेदन अंदाजाच्या तोडीची आहेत किंवा त्याहून चांगली आहेत. ती चालवायला खूपच स्वस्त असल्याचे सांगितले जाते. पण संघाला त्यांचे अंदाज तयार करण्यासाठी लागणाऱ्या ऊर्जेचे कोणतेही प्रसिद्ध झालेले मोजमाप आढळले नाही, म्हणून त्यांनी नोंदवलेल्या हार्डवेअर आणि चालवण्याच्या वेळांवरून ती पुनर्रचित केली. मग त्यांनी प्रशिक्षण जोडले: GraphCast साठी सुमारे 2,900 kWh, Pangu-Weather साठी 62,000 kWh. दिवसाला चार अंदाज या दराने एका वर्षात, प्रत्येक प्रणालीच्या ऊर्जेपैकी 99% पेक्षा जास्त वाटा प्रशिक्षणाचा असतो, आणि प्रति किलोवॅट-तास कौशल्यात Pangu-Weather दुसऱ्या क्रमांकावरून शेवटच्या क्रमांकावर घसरते.

शिडीऐवजी एक सीमारेषा

हा आराखडा (roadmap) मॉडेलचे मूल्यमापन कौशल्य–ऊर्जा पातळीवर करण्याचा प्रस्ताव देतो: एका अक्षावर कौशल्य, दुसऱ्यावर ऊर्जा, आणि अशा प्रणालींचा संच ज्यांना इतर कोणतीही प्रणाली दोन्ही बाबतींत मागे टाकत नाही. कौशल्याला ऊर्जेने भागून मिळणारा गुण एका वर्गातील प्रणालींना क्रमवारी देऊ शकतो, पण लेखक इशारा देतात की तो कधीही एकट्याने वापरू नये: जवळजवळ निरुपयोगी पण जवळजवळ ऊर्जा न वापरणारे मॉडेल चांगले गुण मिळवेल. ते ऊर्जा-नोंदणीचे पाच स्तरही सुचवतात, “नोंदवलेले” पासून “पूर्ण आणि लेखापरीक्षित” पर्यंत, आणि कमी साधनांत अधिक करण्याचे चार मार्ग: अधिक चांगल्या प्रकारे आखलेले प्रयोग, GPU सारखे नवे हार्डवेअर, डेटाची कमी उलथापालथ, आणि लक्ष्यित AI घटक.

ते धोक्यांकडेही लक्ष वेधतात: स्वस्त धावा म्हणजे कदाचित फक्त अधिक धावा, आणि मोठ्या हवामान मॉडेलचे प्रशिक्षण मोजक्या संस्था आणि देशांमध्येच केंद्रित राहते. त्यांचे पहिले पाऊल माफक आहे. मॉडेलची पुढची पिढी — CMIP8 — सुरू होण्यापूर्वी, स्पष्ट सीमांसह, अचूकतेच्या शेजारी ऊर्जा नोंदवा.