AI வானிலை மாதிரிகள் புயல்களின் பாதையை நன்றாகக் கண்காணிக்கின்றன, ஆனால் இன்னும் அவற்றை மிக வலுவற்றவையாகக் காட்டுகின்றன

தரவுகளில் பயிற்றுவிக்கப்பட்ட வானிலை மாதிரிகள் இப்போது சராசரியாக, கணினிச் செலவின் ஒரு சிறு பகுதியிலேயே, சிறந்த இயற்பியல் அடிப்படையிலான முன்னறிவிப்பு அமைப்புகளுடன் போட்டியிடுகின்றன. இது அரிதான, தீவிர நிகழ்வுகளுக்கும் — நல்ல முன்னறிவிப்பு மிக முக்கியமாக இருக்கும் நிகழ்வுகளுக்கும் — பொருந்துமா என்பது விவாதத்துக்குரியது. முந்தைய மதிப்பீடுகள் சாதனை முறியடிக்கும் வானிலையிலும் தீவிர வெப்பமண்டலச் சூறாவளிகளிலும் கடுமையான தோல்விகளைக் கண்டன; ஆனால் அவை பெரும்பாலும் ஒரே ஒரு முன்னறிவிப்பை வழங்கும் உறுதிநிலை (deterministic) மாதிரிகளையே சோதித்தன. புதிய மாதிரிகள் நிகழ்தகவு அடிப்படையிலானவை: அவை சாத்தியமான எதிர்காலங்களின் ஒரு தொகுப்பை (ensemble) உருவாக்குகின்றன; ஒவ்வொன்றும் ஒரு “உறுப்பினர்”.

வெப்பமண்டலச் சூறாவளிகள் கடினமான சோதனை. அவை மிக அதிகச் சேதம் விளைவிக்கும் வானிலை அபாயங்களில் அடங்கும்; வெளியேற்றங்கள், அவற்றின் இடத்தையும் வலிமையையும் பல நாட்களுக்கு முன்பே, நிச்சயமின்மையின் நேர்மையான அளவுடன் கணிப்பதைச் சார்ந்துள்ளன. இருப்பினும் உலகளாவிய காலநிலை உருவகப்படுத்தல்களில் அவை கட்டப் புள்ளிகளில் சுமார் 0.5% மட்டுமே இடம்பிடிக்கின்றன.

178 புயல்கள், மீண்டும் இயக்கப்பட்டன

Nathan Chalumeau-வும் சக ஆய்வாளர்களும் — INRIA, சோர்போன் பல்கலைக்கழகம், CNRS, பாரிஸில் உள்ள AXA ஆகியவற்றிலிருந்து — மூன்று AI மாதிரிகளை ஒப்பிட்டனர்: எதிர்கால வானிலையை ஒரு பரவல் மாதிரி (diffusion model) மூலம் மாதிரியெடுக்கும் GenCast; NVIDIA வெளியிட்ட FourCastNet 3; தனித்தனியாகப் பயிற்றுவிக்கப்பட்ட நான்கு வலையமைப்புகளிலிருந்து தன் தொகுப்பை உருவாக்கும் FGN. அவர்களின் அளவுகோல் IFS-ENS — ECMWF-இன் செயல்பாட்டு இயற்பியல் அடிப்படையிலான தொகுப்பு முன்னறிவிப்பு, எண்ணியல் அடிப்படையாகப் பயன்படுத்தப்பட்டது.

ஒவ்வொரு கடல் படுகையிலும் குறைந்தது 64 நாட் நீடித்த காற்றை எட்டிய 178 சூறாவளிகளை அவர்கள் தேர்ந்தெடுத்தனர், இரண்டு அமைப்புகளில்: ERA5 மறுபகுப்பாய்வில் பயிற்றுவிக்கப்பட்ட மாதிரிகளுடன் 2021–2023-இன் 125 புயல்கள்; ECMWF-இன் உயர் தெளிவுப் பகுப்பாய்வுகளில் நுண்சீரமைக்கப்பட்ட செயல்பாட்டுப் பதிப்புகளுடன் 2025-இன் 53 புயல்கள். ஒவ்வொரு முன்னறிவிப்பும் 49 அல்லது 50 உறுப்பினர்களுடன் 15 நாட்கள் ஓடியது; புயலின் முதல் காற்று அறிக்கைக்கு 12 மணி நேரம் முன்பு தொடங்கியது — மொத்தம் 26,541 உறுப்பினர் முன்னறிவிப்புகள். 2021–2023 முன்னறிவிப்புகளை மீண்டும் இயக்க H100 வரைகலைச் செயலிகளின் 6,000 மணி நேரத்துக்கும் மேல் ஆனது.

சாத்தியமான இடங்களின் ஒரு மேகத்துக்கு மதிப்பெண் இடுதல்

முன்னறிவிப்புப் பாதைகள் பொதுவாகத் தொகுப்பின் சராசரி இடத்தை வைத்து மதிப்பிடப்படுகின்றன. 2025-இன் Bualoi சூறாவளியை (typhoon) வைத்து, அது ஏன் தவறாக வழிநடத்தக்கூடும் என்று ஆசிரியர்கள் காட்டுகின்றனர்: IFS-ENS உறுப்பினர்கள், எந்தச் சராசரியாலும் குறிக்க முடியாத தனித்தனிக் கொத்துகளாகப் பிரிந்தனர்.

Bualoi சூறாவளி (2025): FGN (சிவப்பு), IFS-ENS (நீலம்) நான்கு முன்கூட்டல் நேரங்களில் கணித்த இடங்கள், கவனிக்கப்பட்ட பாதையைச் (கருப்புப் புள்ளிகள்) சுற்றி. — படம் 2, Chalumeau et al. (2026), arXiv:2610.22077.

அதற்குப் பதிலாக, அவர்கள் ஒவ்வொரு தொகுப்பையும் ஒரு நிகழ்தகவு வரைபடமாக மாற்றி, அதில் எவ்வளவு பகுதி புயலின் கவனிக்கப்பட்ட இடத்தின் மீது விழுகிறது என்று கேட்கின்றனர். குறைந்த மதிப்பெண் என்றால் சிறந்த முன்னறிவிப்பு.

2021–2023 புயல்களில், GenCast 68% சூறாவளிகளிலும் FourCastNet 3 58%-இலும் IFS-ENS-ஐ வென்றன — சிறிய வித்தியாசங்கள். 2025 புயல்களில் இடைவெளி அகன்றது: தக்கவைக்கப்பட்ட 41 புயல்களில் சுமார் 90%-இல் FGN, IFS-ENS-ஐ வென்றது; அவற்றில் 59%-இல் மூன்று மாதிரிகளில் முதலிடம் பெற்றது — GenCast 34%, IFS-ENS 7%. முழு வானிலைப் புலங்களிலும் FGN சிறந்த மதிப்பெண் பெற்றது; இரண்டு AI மாதிரிகளும் உலகம் முழுவதையும்விடச் சூறாவளிகளைச் சுற்றி IFS-ENS-க்கு எதிராக அதிக முன்னேற்றம் கண்டன. வலுவான காற்று, குறைந்த அழுத்தப் பகுதிகளை அவற்றின் வடிவம், இடம் ஆகியவற்றை மட்டும் வைத்து ஒப்பிட்டபோதும் வரிசை மாறவில்லை: FGN, பிறகு GenCast, பிறகு IFS-ENS.

மிக மென்மையான புயல்கள்

சிறந்த இடக் கணிப்பு சிறந்த வலிமைக் கணிப்பைக் குறிக்கவில்லை. 2025 புயல்களில், FGN, GenCast இரண்டுமே குறுகிய, நடுத்தர வரம்பில் உச்சக் காற்றைக் குறைத்து மதிப்பிட்டன; IFS-ENS மேற்கோளின் 10%-க்குள் இருந்தது. செயல்பாட்டுத் தரவில் நுண்சீரமைப்பு இந்தச் சார்புநிலையை நீக்கவில்லை. முந்தைய அமைப்பில், GenCast சிறந்த உள்ளூர் மதிப்பெண் பெற்றது, ஆனாலும் காற்றுப் பற்றாக்குறை அதிகமாக இருந்தது. தொகுப்புகளும் மோசமாக அளவுதிருத்தப்பட்டிருந்தன; சில இடங்களில் பரவல் மிகக் குறைவாக இருந்தது.

இதில் ஒரு திருப்பம் உண்டு. AI புயல்கள் வலுவற்றவை, ஆனால் அவற்றுக்குள் காற்றுக்கும் அழுத்தத்துக்கும் இடையிலான தொடர்பு சரியாகத் தெரிகிறது. ஒவ்வொரு மாதிரியின் வலிமைச் சார்புநிலையையும் தரவரிசைப்படுத்தல் மூலம் நீக்கியபின், அதிகபட்சக் காற்றுக்கும் குறைந்தபட்ச அழுத்தத்துக்கும் இடையிலான தொடர்பெண் FGN-க்கு −0.83, GenCast-க்கு −0.84; உயர் தெளிவுப் பகுப்பாய்வுக்கு −0.88, IFS-ENS-க்கு −0.87. ஒரு நேரத்தில் ஒரு மாறி, ஒரு இடம் என்று பயிற்றுவிக்கப்பட்ட FGN-க்கு இந்தத் தொடர்பு ஒருபோதும் திணிக்கப்படவில்லை. இருந்தும் அது தானாக வெளிப்பட்டது.

இடது: AI மாதிரிகளின் புயல்களுக்கு மேற்கோளைவிட வலுவற்ற காற்றும் ஆழம் குறைந்த தாழ்வழுத்தமும் உள்ளன. வலது: தரவரிசைப்படுத்தியதும், ஒவ்வொரு மூலமும் கிட்டத்தட்ட ஒரே காற்று–அழுத்தத் தொடர்பைப் பின்பற்றுகிறது. — படம் 6, Chalumeau et al. (2026), arXiv:2610.22077.

எச்சரிக்கை அமைப்பு அல்ல — இன்னும்

ஆசிரியர்களே தங்கள் முடிவுகளுக்கு எல்லை வகுக்கின்றனர். இந்த ஆய்வு தேர்ந்தெடுக்கப்பட்ட கடந்தகாலப் புயல்களை மீண்டும் இயக்குகிறது; சூறாவளி இல்லாத காலங்களை அது சேர்க்கவில்லை, எனவே மாதிரிகள் தவறான எச்சரிக்கைகளை எழுப்புகின்றனவா என்று அதனால் மதிப்பிட முடியாது. இரண்டு அமைப்புகளும் புயல்கள், மாதிரிப் பதிப்புகள், IFS-ENS மேம்பாடுகள் என எல்லாவற்றிலும் வேறுபடுகின்றன; எனவே நுண்சீரமைப்பின் விளைவைத் தனியாகப் பிரிக்க முடியாது. நெறிமுறை அறிக்கையும் வெளிப்படையாகச் சொல்கிறது: இந்த முடிவுகள் “இந்த மாதிரிகளில் எதையும் செயல்பாட்டு எச்சரிக்கைகளுக்குப் பயன்படுத்துவதற்கான வழிகாட்டுதலாகப் படிக்கப்படக் கூடாது.”

அவர்களின் முடிவு ஒரு செய்ய வேண்டியவை பட்டியல். வலிமையைத் திருத்துவது, தீவிரக் காற்றுகளுக்கு எடை கொடுக்கும் பயிற்சி இலக்குகளை வடிவமைப்பது, நிச்சயமின்மையை மேம்படுத்துவது — ஒவ்வொரு முறையும் இடத்திலும் காற்று–அழுத்தத் தொடர்பிலும் பெற்ற முன்னேற்றங்கள் நிலைக்கின்றனவா என்று சரிபார்ப்பது.