Počítačový model, který kombinuje konvenční technologii předpovědí počasí s strojovým učením, má jiné nástroje založené na umělé inteligenci (KI) na Predikce povětrnostních scénářů a dlouhodobých klimatických trendů Překročení.

Nástroj, který byl popsán 22. července v Nature

1

model učení, které reprezentují řadu, které představují řadu scénářů. Jeho vývoj otevírá dveře pro předpovědi, které jsou rychlejší a méně energetické -intenzivní než stávající nástroje a jsou podrobnější než přístupy, které jsou založeny výhradně na AI.

„Tradiční klimatické modely musí být prováděny na superpočítačích. Jedná se o model, který můžete provádět během několika minut,“ říká studie Mitar Stephan Hoyer, který studuje na Google Research v Mountain View, Kalifornie, Deep Learning.

Současné prediktivní systémy se obvykle spoléhají na obecné modely cirkulace (GCMS), programy, které se spoléhají na fyzikální zákony na simulaci procesů v oceánech a atmosféře Země a předpovídají, jak mohou ovlivnit počasí a klima. GCM však vyžadují hodně výpočetního výkonu a pokrok ve strojovém učení nabízí efektivnější alternativu. „Máme terabajty nebo petabyte (milionkrát větší než gigabajt) historických údajů o počasí,“ říká Hoyer. "Učením se z těchto vzorců můžeme vytvořit lepší modely."

již existují některé modely strojového učení, jako je Pangu-Weather, které vytvořilo technologický konglomerát Huawei se sídlem v Shenzhenu, Číně a Graphcast od DeepMind se sídlem v Londýně. Tyto modely mají podobné úrovně přesnosti jako typické GCM pro deterministické předpovědi - přístup, který generuje jedinou prognózu počasí. GCM však nejsou tak spolehlivé pro prognózy souboru nebo prognózy dlouhodobého klimatu.

„Problém s čistým mechanickým přístupem k učení je, že je trénujete pouze na data, která již viděla,“ říká Scott Hosking, který provozuje výzkum AI a environmentálních údajů v ústavech v Londýně. "Klima se neustále mění, jdeme do neznámého, takže naše modely strojového učení se musí do této neznámé budoucnosti extrapolovat. Integrace fyziky do modelu můžeme zajistit, aby naše modely byly fyzicky omezené a nemohou dělat nic nerealistického."

Hybridní model

Hoyer a jeho tým se vyvinuli a vystudovali NeuralGCM, model, který kombinuje „aspekty tradičního postupu atmosférického úvěru založeného na fyzice s některými komponenty AI,“ říká Hoyer. Použili model k vytvoření krátkodobých a dlouhodobých předpovědí počasí a projekcí klimatu. Za účelem vyhodnocení přesnosti NeuralGCM vědci porovnali své předpovědi s údaji ze skutečného světa a výdaje dalších modelů, včetně GCM a těch, které jsou založeny na strojovém učení.

Stejně jako současné modely strojového učení, neuralGCM byl schopen produkovat přesné krátkodobé, deterministické předpovědi počasí - mezi jedním a třemi dny předem - spotřeba zlomek energie potřebné pro GCM. Při vytváření dlouhodobých předpovědí po dobu sedmi dnů však udělal mnohem méně chyb než jiné mechanické učební modely. Ve skutečnosti byly dlouhodobé předpovědi neuralGCM podobné předpovědi souboru Evropského centra pro předpověď počasí středního dosahu (ECMWF-EN), GCM, který je široce považován za zlatý standard pro předpovědi počasí.

Tým také testoval, jak dobře by model mohl předpovídat různé jevy počasí, jako jsou tropické cyklony. Zjistili, že mnoho z modelů čistého strojového učení poskytovalo nekonzistentní a nepřesné předpovědi ve srovnání s neuralGCM i ECMWF-EN. Vědci dokonce porovnávali neuralGCM s klimatickými modely s vysokým rozlišením, které jsou známé jako modely globálních bouří. NeuralGCM byl schopen produkovat realističtější tropická cyklónová čísla a trajektorie v kratší době.

Schopnost předvídat takové události je „tak důležitá pro zlepšení rozhodovacích dovedností a přípravných strategií,“ říká Hosking.

Hoyer a jeho kolegové chtějí dále upřesnit a přizpůsobit se. „Pracovali jsme na atmosférické části modelování systému Země ... možná je to nejpřímější účinek na každodenní počasí,“ říká Hoyer. Dodává, že tým chce v budoucích verzích integrovat více aspektů věd o Zemi, aby se dále zlepšila přesnost modelu.