تعد ظاهرة تدفق الجليد في جرينلاند واحدة من أكثر الأمور تعقيدًا في مجال النمذجة المناخية، حيث تتميز بديناميكيات غير خطية وصعوبة في الملاحظة. في خطوة رائدة، قدم فريق من الباحثين نموذجًا هجينًا يجمع بين نموذجي NARX (Nonlinear Autoregressive with Exogenous Inputs) ونموذج اللغة الكبير (LLM) لتحقيق تصحيحات فعالة.

تتزايد الحاجة إلى هذا النوع من النماذج، حيث تتيح لنا استكشاف الطاقات التصحيحية من خلال نهج فريد يعتمد على المعرفة الفيزيائية. تُحول طريقة Physics-Informed Prompt (PIP) المعرفة الفيزيائية غير المنظمة إلى مُحفزات هيكلية بهدف التعلم في سياقات غير مسبوقة، مما يعزز قدرة النموذج على التعامل مع الأبعاد البيئية والديناميات الجليدية.

يركز هذا البحث على تطوير وإيجاد الحلول للأحداث المناخية القصوى غير المتوقعة بسبب التغيرات النادرة والاتجاهات غير الثابتة، وهي القضايا التي غالبًا ما تتجاهلها الطرق التقليدية. يتمتع نموذج NARX بتماسك زمني قوي، بينما يوفر نموذج LLM المتطور، تحت إرشاد PIP، القدرة على فهم الديناميات والتوجهات الأساسية، مما يتيح تصحيح الأخطاء النظامية في التوقعات.

هذا الدمج بين النمذجة المستندة إلى البيانات ونموذج الذكاء الاصطناعي المدفوع بالمعرفة يمثل خطوة نحو تحسين دقة التنبؤات المناخية، بعيدًا عن القيود التي فرضتها النماذج التقليدية. كما أن الكود الخاص بالنموذج متاح للمهتمين بالبحث والتطوير في هذا المجال الثوري.