Phát triển các mô hình dự báo thời tiết chính xác là điều cần thiết với mọi lĩnh vực, từ hàng không cho đến vận tải biển. Hiện nay, các mô hình thời tiết chủ yếu dựa trên các phương trình liên quan đến nhiệt động lực học và động lực học chất lỏng trong khí quyển. Những mô hình này có chi phí tính toán cực kỳ cao và thường chạy trên các siêu máy tính lớn.
Các công ty tư nhân như Nvidia và Google đã phát triển các mô hình trí tuệ nhân tạo (AI), được gọi là mô hình nền tảng, để dự báo thời tiết. Gần đây, các nhà khoa học tại Phòng thí nghiệm quốc gia Argonne thuộc Bộ Năng lượng Hoa Kỳ (DOE), đã phối hợp với các nhà nghiên cứu ở Đại học California để phát triển loại mô hình mới này. Trong một số trường hợp, mô hình này có thể đưa ra những dự báo chính xác hơn các mô hình số trị hiện có với chi phí tính toán thấp hơn nhiều.
Để xây dựng các mô hình nền tảng, các nhà nghiên cứu sử dụng các token (một phần hình ảnh hoặc từ) – những mẩu thông tin nhỏ mà thuật toán AI dùng để tìm hiểu các yếu tố vật lý chi phối thời tiết. Nhiều mô hình nền tảng được dùng để xử lý ngôn ngữ tự nhiên, bao gồm các từ và cụm từ. Với các mô hình ngôn ngữ lớn, các token là các từ hoặc các đơn vị ngôn ngữ mà mô hình dự đoán theo chuỗi. Với các mô hình dự báo thời tiết mới, các token là những hình ảnh – các biểu đồ mô tả độ ẩm, nhiệt độ, tốc độ gió ở các tầng khí quyển.
“Thay vì quan tâm đến chuỗi văn bản, bạn đang xem dữ liệu không gian – thời gian được thể hiện bằng hình ảnh”, nhà khoa học máy tính Sandeep Madireddy của Argonne cho biết. “Khi sử dụng các hình ảnh này trong mô hình, bạn sẽ có một số khái niệm về vị trí tương đối của chúng và cách chúng tương tác”.
Nhà khoa học khí quyển Rao Kotamarthi ở Argonne cho biết, với phương pháp mới, các nhà nghiên cứu có thể dùng dữ liệu có độ phân giải thấp mà vẫn đưa ra dự báo chính xác. “Từ trước đến nay, quan niệm phổ biến trong dự báo thời tiết là có được dữ liệu ở độ phân giải cao thì dự báo thời tiết sẽ tốt hơn. Bởi lẽ, nó sẽ giúp chúng ta giải quyết vấn đề vật lý chính xác hơn, nhưng tất nhiên, điều này sẽ đòi hỏi chi phí tính toán rất lớn. Nhưng hiện tại, phương pháp mới mà chúng tôi đang sử dụng với các mô hình có độ phân giải thấp có thể mang lại kết quả dự báo tương đương các mô hình có độ phân giải cao”.
Dù công nghệ AI có thể mang đến những kết quả đáng tin cậy trong dự báo thời tiết ngắn hạn, việc áp dụng phương pháp này cho mô hình khí hậu, bao gồm phân tích thời tiết theo thời gian, lại là một thách thức không nhỏ. “Về lý thuyết, các mô hình nền tảng cũng có thể dùng để lập mô hình khí hậu. Tuy nhiên, vì nhiều mục đích, các công ty tư nhân thường muốn phát triển các phương pháp mới để dự báo thời tiết hơn là ứng dụng cho các mô hình khí hậu” Kotamarthi nói. “Việc nghiên cứu các mô hình nền tảng để lập mô hình khí hậu có lẽ vẫn là mục tiêu của các phòng thí nghiệm quốc gia và các trường đại học chuyên theo đuổi các giải pháp vì lợi ích chung”.
Nhà khoa học môi trường Troy Arcomano ở Argonne, cho biết một lý do khiến việc lập mô hình khí hậu trở nên khó khăn là do khí hậu đang thay đổi. “Với khí hậu, hầu hết đã chuyển từ trạng thái tĩnh sang trạng thái bất định. Điều này có nghĩa là tất cả số liệu thống kê về khí hậu đang thay đổi theo thời gian do lượng carbon bổ sung trong khí quyển. Lượng carbon đó cũng đang làm thay đổi ngân sách năng lượng của Trái đất”, ông nói. “Việc tính toán bằng [mô hình] số rất phức tạp và chúng tôi vẫn đang tìm cách ứng dụng AI”.
Với siêu máy tính exascale mới của Argonne, có tên Aurora, các nhà nghiên cứu có thể đào tạo một mô hình AI lớn hoạt động ở độ phân giải rất cao. “Chúng tôi cần một cỗ máy exascale để có được một mô hình chi tiết với AI”, Kotamarthi cho biết.
Một bài báo dựa trên nghiên cứu này đã nhận được Giải thưởng Bài báo hay nhất tại hội thảo “Giải quyết vấn đề biến đổi khí hậu bằng học máy”, diễn ra vào tháng 5/2024 tại Vienna, Áo 1.
Thanh An tổng hợp
———————————————–