Google AI прогнозира дългосрочните климатични тенденции и времето - след няколко минути

Инструментът, който беше описан на 22 юли в природа 1 Модел на обучение, който генерира прецизен ансамбъл Forecasts-тези, които представляват номер на учене. Развитието му отваря вратата за прогнози, които са по -бързи и по -малко енергийни от съществуващите инструменти и са по -подробни от подходите, които се основават изключително на AI.

„Традиционните климатични модели трябва да се извършват на суперкомпютри. Това е модел, който можете да извършите за минути“, казва проучването на Mitar Stephan Hoyer, който изучава в Google Research в Mountain View, Калифорния, Deep Learning.

Настоящите прогнозни системи обикновено разчитат на общи модели на циркулация (GCM), програми, които разчитат на законите на физиката, за да симулират процесите в океаните и атмосферата на земята и да предскажат как те могат да повлияят на времето и климата. GCM обаче изискват много изчислителна мощност, а напредъкът в машинното обучение предлага по -ефективна алтернатива. "Имаме терабайт или петабайт (един милион пъти по -голям от гигабайт) от исторически данни за времето", казва Хойер. „Като научим от тези модели, можем да изградим по -добри модели.“

Вече има някои модели на машинно обучение като Pangu-Weather, които са създадени от технологичния конгломерат Huawei, базиран в Шенжен, Китай и Графика от DeepMind със седалище в Лондон. Тези модели имат сходни нива на точност като типични GCM за детерминирани прогнози - подход, който генерира една прогноза за времето. Въпреки това, GCM не са толкова надеждни за прогнозите на ансамбъла или дългосрочните прогнози за климата.

„Проблемът с чистите механични подходи за обучение е, че го обучавате само на данни, които вече е виждал“, казва Скот Хоскинг, който управлява изследвания на AI и данни за околната среда в Институтите в Лондон. "Климатът се променя непрекъснато, ние влизаме в неизвестното, така че нашите модели за машинно обучение трябва да се екстраполират в това неизвестно бъдеще. Като интегрираме физиката в модела, можем да се уверим, че нашите модели са физически ограничени и не могат да направят нищо нереалистично."

хибриден модел

Hoyer и неговият екип разработиха и обучиха NeuralGCM, модел, който съчетава „аспекти на традиционната атмосферна заемна процедура, базирана на физиката, с някои компоненти на AI“, казва Хойер. Те използваха модела, за да създадат краткосрочни и дългосрочни прогнози за времето и климатични проекции. За да оценят точността на NeuralGCM, изследователите сравняват прогнозите си с данни от реалния свят, както и разходите на други модели, включително GCMS и тези, които се основават на машинното обучение.

Подобно на настоящите модели на машинно обучение, NeuralGCM успя да произвежда прецизни краткосрочни, детерминирани прогнози за времето - между един и три дни предварително - консумирайки част от енергията, необходима за GCM. При производството на дългосрочни прогнози за седем дни обаче, той направи много по -малко грешки от другите модели на механично обучение. Всъщност дългосрочните прогнози на NeuralGCM бяха подобни на прогнозите на ансамбъла на Европейския център за прогноза за времето на среден обхват (ECMWF-EN), GCM, който се счита за златен стандарт за прогнозите за времето.

Екипът също тества колко добре моделът може да предвиди различни метеорологични явления, като тропически циклони. Те откриха, че много от чистите модели за машинно обучение са предоставили непоследователни и неточни прогнози в сравнение както с NeuralGCM, така и с ECMWF-EN. Изследователите дори сравняват NeuralGCM с климатични модели с висока разделителна способност, които са известни като глобални модели на разрушаване на бурята. NeuralGCM успя да произведе по -реалистични тропически циклонови числа и траектории за по -кратко време.

Способността за прогнозиране на подобни събития е „толкова важна за подобряване на уменията за вземане на решения и подготвителните стратегии“, казва Хоскинг.

Хойер и неговите колеги искат да усъвършенстват и адаптират. "Работихме върху атмосферната част от моделирането на земната система ... може би частта има най -пряк ефект върху ежедневното време", казва Хойер. Той добавя, че екипът иска да интегрира повече аспекти на науките за Земята в бъдещите версии, за да подобри допълнително точността на модела.