వాతావరణ మోడళ్లు: ముప్పై ఏళ్ల గణన శక్తి, అయినా వర్షం ఇంకా కష్టమే

వాతావరణ విధానాల వెనుక ఉన్న సాక్ష్యాల్లో చాలా భాగం వాతావరణ మోడళ్ల నుంచే వస్తుంది. 1995 నుంచి, CMIP — Coupled Model Intercomparison Project (అనుసంధానిత మోడళ్ల పరస్పర పోలిక ప్రాజెక్టు) — అనే అంతర్జాతీయ కార్యక్రమం వీటిని ఉమ్మడి నియమాల కింద, తరం తర్వాత తరం, పక్కపక్కనే నడుపుతోంది. ప్రతి తరం మరింత సూక్ష్మమైన గ్రిడ్‌లను, మరింత భౌతికశాస్త్రాన్ని వాడింది, అందువల్ల మరింత గణనను. ఐయోనా కోల్ఫెస్కు (Ioana Colfescu, సెయింట్ ఆండ్రూస్ విశ్వవిద్యాలయం, బ్రిటన్ National Centre for Atmospheric Science) నేతృత్వంలోని 24 మంది పరిశోధకుల బృందం ప్రకారం, దీనికి ఎంత శక్తి ఖర్చవుతుందో, దానితో ఏం లభిస్తుందో ఎవరూ ట్రాక్ చేయడం లేదు.

159 మోడళ్లు, ఒకే దోష స్కోరు

బృందం ఐదు CMIP తరాలకు చెందిన 159 మోడళ్లకు, వాటి భద్రపరిచిన అవుట్‌పుట్‌ను ఉపయోగించి, ఒకే దోష సూచికను మళ్లీ లెక్కించింది: ప్రతి మోడల్ శీతాకాల వాతావరణం (1979–1999) పరిశీలనల నుంచి ఎంత దూరం జరుగుతుందో, మూడు చరరాశులకు — సముద్ర మట్టం వద్ద వాయు పీడనం, ఉపరితల గాలి ఉష్ణోగ్రత, వర్షపాతం. ఈ మూడే, ఎందుకంటే రెండో తరం మరేదీ భద్రపరచలేదు. తక్కువైతే అంత మంచిది.

మధ్యస్థ (median) దోషం మొదటి తరంలో 1.56 నుంచి ఆరో తరంలో 0.61 కి పడిపోతుంది. అదే కాలంలో, ఒక సాధారణ మోడల్‌కు అవసరమైన గణన, దాని గ్రిడ్ విభేదనం (resolution) నుంచి అంచనా వేస్తే, దాదాపు 29 రెట్లు పెరిగింది.

స్థిరమైన రాబడి రేటు

తరం తర్వాత తరం, దోషం 21, 28, 21, 14% తగ్గుతుంది — అక్రమమైన శ్రేణి. కానీ ప్రతి దశ ఎంత గణనను జోడించిందో దానితో పోల్చి కొలిస్తే, నమూనా క్రమబద్ధంగా మారుతుంది: గణన ప్రతిసారీ రెట్టింపైనప్పుడు 13.5% తక్కువ దోషం, పోలిక పనిచేసే మూడు మార్పుల్లో కేవలం 0.7 పాయింట్ల వ్యత్యాసంతో.

ఈ రేటు ఒక సరళమైన, ఆలోచింపజేసే లెక్కను ఇస్తుంది. దోషాన్ని సగానికి తగ్గించడానికి సుమారు 4.8 రెట్టింపులు కావాలి, “ఎందుకంటే 0.865 యొక్క 4.8వ ఘాతం 0.5”, అని రచయితలు రాస్తారు — 4.8 రెట్టింపులంటే నేటి మోడళ్ల కంటే దాదాపు 28 రెట్లు ఎక్కువ గణన. ఇంతలో, తరాల మధ్య గణన పెరుగుదల నెమ్మదించింది, 2.2 రెట్టింపుల నుంచి 1.1 కి.

దీని అర్థం ఏమిటనే విషయంలో రచయితలు జాగ్రత్తగా ఉన్నారు. మెరుగైన భౌతికశాస్త్రం కూడా మోడళ్లను మెరుగుపరుస్తుంది, ఈ రెండింటినీ వేరు చేయలేం, కాబట్టి 13.5% అనేది గణన, విజ్ఞానశాస్త్రం రెండింటి ఉమ్మడి రాబడిని కొలుస్తుంది. పైగా ఇది గత పురోగతిని వివరిస్తుంది, ప్రకృతి నియమాన్ని కాదు.

వర్షం వెనుకబడుతుంది

ఒకే స్కోరు పెద్ద తేడాలను దాచిపెడుతుంది. మొదటి, ఆరో తరాల మధ్య, సముద్ర మట్ట పీడనంపై దోషం 3.5 రెట్లు, ఉపరితల ఉష్ణోగ్రతపై 2.7 రెట్లు తగ్గింది. వర్షపాతంపై అది 7% తగ్గింది. ఈ కొలత ప్రకారం, మూడు దశాబ్దాలుగా పెరిగిన విభేదనం, సంక్లిష్టత, వాతావరణ ప్రభావాలకు అత్యంత ముఖ్యమైన చరరాశిని దాదాపు మెరుగుపరచలేదు.

ఎవరూ కొలవని శక్తి

శక్తి నివేదికలు అసంపూర్ణంగా ఉన్నాయి. తాజా తరానికి పూర్తి డేటాను ప్రచురించిన ఎనిమిది సంస్థల వాటా 1,692 టన్నుల CO₂. కొలిచిన శక్తి ఉన్న 13 మోడళ్లలో, అనుకరించిన (simulated) ప్రతి సంవత్సరానికి శక్తి 65 రెట్లు మారుతుంది, అది విభేదనాన్ని దాదాపు అనుసరించదు. 30 సంస్థల్లో తొమ్మిది ప్రామాణిక శక్తి గణాంకాలను ప్రచురిస్తాయి, ఏ సంస్థా నైపుణ్య స్కోరుతో ముడిపడిన శక్తిని నివేదించదు.

GraphCast, Pangu-Weather, FuXi, GenCast వంటి AI వాతావరణ మోడళ్లు ఇప్పుడు యూరోపియన్ కేంద్రపు అధిక-విభేదన అంచనాకు సాటిగా లేదా దానికంటే మెరుగ్గా ఉన్నాయి. వాటిని నడపడం చాలా చౌక అని చెబుతారు. కానీ వాటి అంచనాలను ఉత్పత్తి చేయడానికి అవసరమైన శక్తికి సంబంధించి బృందానికి ప్రచురితమైన కొలత ఏదీ దొరకలేదు, కాబట్టి నివేదించిన హార్డ్‌వేర్, నడిపిన సమయాల నుంచి దాన్ని పునర్నిర్మించారు. తర్వాత శిక్షణను జోడించారు: GraphCast కి సుమారు 2,900 kWh, Pangu-Weather కి 62,000 kWh. రోజుకు నాలుగు అంచనాల చొప్పున ఒక సంవత్సరంలో, ప్రతి వ్యవస్థ శక్తిలో 99% కంటే ఎక్కువ శిక్షణదే, కిలోవాట్-గంటకు నైపుణ్యంలో Pangu-Weather రెండో స్థానం నుంచి చివరి స్థానానికి పడిపోతుంది.

నిచ్చెనకు బదులు ఒక సరిహద్దు

ఈ మార్గదర్శక ప్రణాళిక (roadmap) మోడళ్లను నైపుణ్యం–శక్తి తలంపై అంచనా వేయాలని ప్రతిపాదిస్తుంది: ఒక అక్షంపై నైపుణ్యం, మరో అక్షంపై శక్తి, రెండింటిలోనూ మరే వ్యవస్థా మించని వ్యవస్థల సమూహం. నైపుణ్యాన్ని శక్తితో భాగించిన స్కోరు ఒక తరగతిలోని వ్యవస్థలకు ర్యాంకులు ఇవ్వగలదు, కానీ దాన్ని ఎప్పుడూ ఒంటరిగా వాడకూడదని రచయితలు హెచ్చరిస్తారు: దాదాపు నిరుపయోగమైన, దాదాపు శక్తి వాడని మోడల్ మంచి స్కోరు సాధిస్తుంది. వారు శక్తి నివేదనకు ఐదు స్థాయిలను కూడా ప్రతిపాదిస్తారు, “నివేదించినది” నుంచి “పూర్తి, ఆడిట్ చేసినది” వరకు, తక్కువతో ఎక్కువ చేయడానికి నాలుగు మార్గాలను: మెరుగ్గా రూపొందించిన ప్రయోగాలు, GPU ల వంటి కొత్త హార్డ్‌వేర్, డేటా తరలింపు తగ్గించడం, లక్ష్యిత AI భాగాలు.

వారు ప్రమాదాలను కూడా ఎత్తిచూపుతారు: చౌకైన రన్‌లు అంటే కేవలం మరిన్ని రన్‌లు కావచ్చు, పెద్ద వాతావరణ మోడళ్ల శిక్షణ కొన్ని సంస్థలు, దేశాల్లోనే కేంద్రీకృతమై ఉంది. వారి మొదటి అడుగు నిరాడంబరమైనది. తదుపరి తరం మోడళ్లు — CMIP8 — ప్రారంభం కాకముందే, స్పష్టమైన హద్దులతో, ఖచ్చితత్వం పక్కనే శక్తిని నివేదించండి.