Google AI forventede langvarige klimatendenser og vejr - på få minutter
Google AI forventede langvarige klimatendenser og vejr - på få minutter
En computermodel, der kombinerer konventionel vejrprognoseteknologi med maskinlæring, har anden kunstig intelligens (KI) -baserede værktøjer på Forudsigelse af vejrscenarier og langsigtede klimatendenser overskrider.
Værktøjet, der blev beskrevet den 22. juli i Nature
"Traditionelle klimamodeller skal udføres på supercomputere. Dette er en model, som du kan udføre på få minutter," siger studie Mitar Stephan Hoyer, der studerer ved Google Research i Mountain View, Californien, dyb læring.
Aktuelle forudsigelige systemer er typisk afhængige af generelle cirkulationsmodeller (GCM'er), programmer, der er afhængige af fysikens love for at simulere processer i jordens oceaner og atmosfære og forudsige, hvordan de kunne påvirke vejret og klimaet. Imidlertid kræver GCM'er en masse computerkraft, og fremskridt inden for maskinlæring tilbyder et mere effektivt alternativ. "Vi har terabyte eller petabyte (en million gange større end en gigabyte) af historiske vejrdata," siger Hoyer. ”Ved at lære af disse mønstre kan vi opbygge bedre modeller.”
Der er allerede nogle maskinlæringsmodeller såsom Pangu-Weather, som blev oprettet af teknologikonglomeratet Huawei, med base i Shenzhen, Kina og Graphcast af DeepMind med hovedkvarter i London. Disse modeller har lignende niveauer af nøjagtighed som typiske GCM'er til deterministiske forudsigelser - en tilgang, der genererer en enkelt vejrprognose. GCM'er er imidlertid ikke så pålidelige for ensembleprognoser eller lange klimaprognoser.
"Problemet med rene mekaniske læringsmetoder er, at du kun træner det på data, det allerede har set," siger Scott Hosking, der driver forskning på AI og miljødata på institutter i London. "Klimaændringerne kontinuerligt, vi går ind i det ukendte, så vores maskinlæringsmodeller skal ekstrapolere i denne ukendte fremtid. Ved at integrere fysik i modellen kan vi sørge for, at vores modeller er fysisk begrænset og ikke kan gøre noget urealistisk."
hybridmodel
Hoyer og hans team udviklede og skolede NeuralGCM, en model, der kombinerer "aspekter af en traditionel fysikbaseret atmosfærisk låneprocedure med nogle AI-komponenter," siger Hoyer. De brugte modellen til at skabe korte og langsigtede vejrprognoser og klimaprognoser. For at evaluere nøjagtigheden af NeuralGCM sammenlignede forskerne sine forudsigelser med data fra den virkelige verden såvel som udgifterne til andre modeller, herunder GCM'er og dem, der er baseret på maskinlæring.
Ligesom aktuelle maskinlæringsmodeller var NeuralGCM i stand til at producere nøjagtige kort -termiske, deterministiske vejrprognoser - mellem en og tre dage i forvejen - forbrug af en brøkdel af den energi, der kræves til GCM'er. Når man producerer lange prognoser over syv dage, gjorde det imidlertid meget færre fejl end andre mekaniske læringsmodeller. Faktisk svarede de langsigtede prognoser for NeuralGCM til forudsigelserne fra Ensemble Model of the European Center for Medium-Range Weather Prognose (ECMWF-EN), en GCM, der betragtes som en guldstandard for vejrprognoser.
Holdet testede også, hvor godt modellen kunne forudsige forskellige vejrfænomener, såsom tropiske cykloner. De fandt, at mange af de rene maskinlæringsmodeller leverede inkonsekvente og unøjagtige forudsigelser sammenlignet med både neuralgcm og ECMWF-en. Forskerne sammenlignede endda NeuralGCM med klimamodeller med høj opløsning, der er kendt som globale stormopløsningsmodeller. NeuralGCM var i stand til at producere mere realistiske tropiske cyklonnumre og bane på kortere tid.
Evnen til at forudsige sådanne begivenheder er "så vigtig at forbedre beslutningsevner og forberedende strategier," siger Hosking.
Hoyer og hans kolleger ønsker at forfine og tilpasse sig yderligere. "Vi har arbejdet på den atmosfæriske del af modellering af jordsystemet ... det er måske den del, der har den mest direkte effekt på det daglige vejr," siger Hoyer. Han tilføjer, at teamet ønsker at integrere flere aspekter af jordvidenskaberne i fremtidige versioner for yderligere at forbedre modellens nøjagtighed.
- >>
Kochkov, D. et al. Nature