Ένα μοντέλο υπολογιστή που συνδυάζει την παραδοσιακή τεχνολογία πρόβλεψης καιρού με μηχανική μάθηση έχει ξεπεράσει την άλλη τεχνητή νοημοσύνη (AI) Προβλέποντας σενάρια καιρού και μακροπρόθεσμες τάσεις του κλίματος ξεπέρασε.

Το εργαλείο, που κυκλοφόρησε στις 22 ΙουλίουΦύσηπεριγράφηκε 1, είναι το πρώτο μοντέλο μηχανικής μάθησης για τη δημιουργία ακριβών προβλέψεων καιρού του συνόλου - εκείνων που αντιπροσωπεύουν μια σειρά από σενάρια. Η ανάπτυξή του ανοίγει την πόρτα στις προβλέψεις που είναι ταχύτερες και λιγότερο εντατικές από την ενέργεια από τα υπάρχοντα εργαλεία και πιο λεπτομερείς από τις προσεγγίσεις που βασίζονται αποκλειστικά στο AI.

"Τα παραδοσιακά κλιματικά μοντέλα πρέπει να τρέχουν σε υπερυπολογιστές. Αυτό είναι ένα μοντέλο που μπορείτε να τρέξετε μέσα σε λίγα λεπτά", λέει ο συν-συγγραφέας της μελέτης Stephan Hoyer, ο οποίος μελετά βαθιά μάθηση στο Google Research στο Mountain View της Καλιφόρνια.

Τα τρέχοντα συστήματα πρόβλεψης συνήθως βασίζονται σε μοντέλα γενικής κυκλοφορίας (GCMS), προγράμματα που βασίζονται στους νόμους της φυσικής για την προσομοίωση των διαδικασιών στους ωκεανούς και την ατμόσφαιρα της Γης και προβλέπουν πώς μπορεί να επηρεάσουν τις καιρικές συνθήκες και το κλίμα. Ωστόσο, τα GCMs απαιτούν πολλή υπολογιστική ισχύ και οι προόδους στη μηχανική μάθηση προσφέρουν μια πιο αποτελεσματική εναλλακτική λύση. "Έχουμε terabytes ή petabytes (ένα εκατομμύριο φορές μεγαλύτερο από ένα gigabyte) ιστορικών δεδομένων καιρού", λέει ο Hoyer. "Με την εκμάθηση από αυτά τα πρότυπα, μπορούμε να οικοδομήσουμε καλύτερα μοντέλα."

Υπάρχουν ήδη ορισμένα μοντέλα πρόβλεψης μηχανικής μάθησης όπως το Pangu-Weather, που δημιουργήθηκε από την τεχνολογική ομάδα Huawei με έδρα το Shenzhen, Κίνα και Graphcast από deepmind με έδρα στο Λονδίνο. Αυτά τα μοντέλα έχουν παρόμοια επίπεδα ακρίβειας με τα τυπικά GCMs για ντετερμινιστική πρόβλεψη - μια προσέγγιση που δημιουργεί μια μόνο πρόγνωση καιρού. Ωστόσο, τα GCM δεν είναι τόσο αξιόπιστα για τις προβλέψεις του συνόλου ή τις μακροπρόθεσμες προβλέψεις για το κλίμα.

"Το πρόβλημα με τις καθαρές προσεγγίσεις μηχανικής μάθησης είναι ότι το εκπαιδεύετε μόνο σε δεδομένα που έχει ήδη δει", λέει ο Scott Hosking, ο οποίος διεξάγει έρευνα σχετικά με το AI και τα περιβαλλοντικά δεδομένα σε ινστιτούτα στο Λονδίνο. "Το κλίμα αλλάζει συνεχώς, κατευθυνόμαστε στο άγνωστο, οπότε τα μοντέλα μηχανικής μάθησης πρέπει να προχωρήσουν σε αυτό το άγνωστο μέλλον. Με την ενσωμάτωση της φυσικής στο μοντέλο, μπορούμε να διασφαλίσουμε ότι τα μοντέλα μας είναι φυσικά περιορισμένα και δεν μπορούν να κάνουν τίποτα μη ρεαλιστικό".

Υβριδικό μοντέλο

Ο Hoyer και η ομάδα του ανέπτυξαν και εκπαιδεύτηκαν το NeuralGCM, ένα μοντέλο που «συνδυάζει πτυχές μιας παραδοσιακής μεθόδου ατμοσφαιρικής επίλυσης με βάση τη φυσική με κάποια συστατικά AI», λέει ο Hoyer. Χρησιμοποίησαν το μοντέλο για να παράγουν βραχυπρόθεσμες και μακροπρόθεσμες προβλέψεις για τις καιρικές συνθήκες και τις προβολές του κλίματος. Για να αξιολογήσει την ακρίβεια του NeuralGCM, οι ερευνητές συνέκριναν τις προβλέψεις της με τα δεδομένα του πραγματικού κόσμου καθώς και την παραγωγή άλλων μοντέλων, συμπεριλαμβανομένων των GCM και εκείνων που βασίζονται αποκλειστικά στη μηχανική μάθηση.

Όπως και τα τρέχοντα μοντέλα μηχανικής μάθησης, το NEURALGCM θα μπορούσε να παράγει ακριβείς βραχυπρόθεσμες, ντετερμινιστικές καιρικές προβλέψεις-μεταξύ ενός και τριών ημερών νωρίτερα-ενώ χρησιμοποιεί ένα κλάσμα της ενέργειας που απαιτείται από το GCMS. Ωστόσο, έκανε πολύ λιγότερα σφάλματα από άλλα μοντέλα μηχανικής μάθησης κατά την παραγωγή μακροπρόθεσμων προβλέψεων πέρα ​​από επτά ημέρες. Στην πραγματικότητα, οι μακροπρόθεσμες προβλέψεις του NeuralGCM ήταν παρόμοιες με τις προβλέψεις του μοντέλου του Ευρωπαϊκού Κέντρου Μεσαίας Βοσκής (ECMWF-ENS), ένα GCM που θεωρείται ευρέως το χρυσό πρότυπο για την πρόβλεψη των καιρικών συνθηκών.

Η ομάδα εξέτασε επίσης πόσο καλά το μοντέλο θα μπορούσε να προβλέψει διάφορα φαινόμενα καιρού, όπως οι τροπικοί κυκλώνες. Διαπίστωσαν ότι πολλά από τα καθαρά μοντέλα μηχανικής μάθησης παρήγαγαν ασυνεπείς και ανακριβείς προβλέψεις σε σύγκριση με τόσο το NEURALGCM όσο και με το ECMWF-ENS. Οι ερευνητές συνέκριναν ακόμη και τα μοντέλα κλιματισμού NeuralGCM με υψηλής ανάλυσης γνωστά ως μοντέλα παγκόσμιας επίλυσης καταιγίδων. Το NeuralGCM ήταν σε θέση να παράγει πιο ρεαλιστικούς αριθμούς τροπικών κυκλώνων και τροχιές σε μικρότερο χρονικό διάστημα.

Η ικανότητα πρόβλεψης τέτοιων γεγονότων είναι "τόσο σημαντική για τη βελτίωση των δεξιοτήτων λήψης αποφάσεων και των στρατηγικών ετοιμότητας", λέει ο Hosking.

Ο Hoyer και οι συνάδελφοί του θέλουν να βελτιώσουν περαιτέρω και να προσαρμόσουν το NeuralGCM. "Έχουμε δουλέψει στο ατμοσφαιρικό συστατικό της μοντελοποίησης του συστήματος της Γης ... είναι ίσως το μέρος που επηρεάζει περισσότερο τον καθημερινό καιρό", λέει ο Hoyer. Προσθέτει ότι η ομάδα θα ήθελε να ενσωματώσει περισσότερες πτυχές της επιστήμης της γης σε μελλοντικές εκδόσεις για να βελτιώσει περαιτέρω την ακρίβεια του μοντέλου.