<σχήμα class = "σχήμα"> <εικόνες class = "Embed ένταση-high">

Ένα μοντέλο υπολογιστή που συνδυάζει τη συμβατική τεχνολογία πρόβλεψης καιρού με μηχανική μάθηση έχει άλλα εργαλεία που βασίζονται στην τεχνητή νοημοσύνη (KI) στο Πρόβλεψη των σεναρίων καιρού και των μακροπρόθεσμων τάσεων του κλίματος υπερβαίνουν.

Το εργαλείο, το οποίο περιγράφηκε στις 22 Ιουλίου στο Nature Η ανάπτυξή του ανοίγει την πόρτα για προβλέψεις που είναι ταχύτερες και λιγότερο ενέργεια -έντονα από τα υπάρχοντα εργαλεία και είναι πιο λεπτομερείς από τις προσεγγίσεις που βασίζονται αποκλειστικά στο AI.

"Τα παραδοσιακά κλιματικά μοντέλα πρέπει να πραγματοποιηθούν σε υπερυπολογιστές, αυτό είναι ένα μοντέλο που μπορείτε να πραγματοποιήσετε μέσα σε λίγα λεπτά", λέει ο Mitar Stephan Hoyer, ο οποίος μελετά το Google Research in Mountain View, Καλιφόρνια, βαθιά μάθηση.

Τα τρέχοντα προγνωστικά συστήματα βασίζονται συνήθως 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 να προβλέψουν πώς θα μπορούσαν να επηρεάσουν τον καιρό και το κλίμα. Ωστόσο, τα GCMs απαιτούν πολλή υπολογιστική ισχύ και η πρόοδος στη μηχανική μάθηση προσφέρει μια πιο αποτελεσματική εναλλακτική λύση. "Έχουμε terabyte ή petabyte (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 κάποια μοντέλα μηχανικής μάθησης όπως το Pangu-Weather, το οποίο δημιουργήθηκε από τον όμιλο τεχνολογίας Huawei, με έδρα το Shenzhen, την Κίνα και το με DeepMind με έδρα στο Λονδίνο. Αυτά τα μοντέλα έχουν παρόμοια επίπεδα ακρίβειας όπως τα τυπικά GCMs για ντετερμινιστικές προβλέψεις - 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 εκμεταλλεύεται την έρευνα για τα AI και τα περιβαλλοντικά δεδομένα σε ινστιτούτα στο Λονδίνο. "Το κλίμα αλλάζει συνεχώς, πηγαίνουμε 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 NeuralGCM, ένα μοντέλο που συνδυάζει "πτυχές μιας παραδοσιακής διαδικασίας ατμοσφαιρικής δανείου με βάση τη φυσική με ορισμένα συστατικά του AI", λέει ο Hoyer. Χρησιμοποίησαν το μοντέλο για να δημιουργήσουν βραχυπρόθεσμες και μακροπρόθεσμες καιρικές προβλέψεις και προβλέψεις για το κλίμα. Προκειμένου να αξιολογηθεί η ακρίβεια του NEURALGCM, οι ερευνητές συνέκριναν τις προβλέψεις της με τα δεδομένα του πραγματικού κόσμου καθώς και τις δαπάνες άλλων μοντέλων, συμπεριλαμβανομένων των GCM και εκείνων που βασίζονται στη μηχανική μάθηση.

Όπως τα τρέχοντα μοντέλα μηχανικής μάθησης, το NEURALGCM ήταν σε θέση να παράγει ακριβείς βραχυπρόθεσμες, ντετερμινιστικές καιρικές προβλέψεις - μεταξύ ενός και τριών ημερών νωρίτερα - καταναλώνοντας ένα κλάσμα της ενέργειας που απαιτείται για το GCMS. Κατά την παραγωγή μακροπρόθεσμων προβλέψεων για επτά ημέρες, ωστόσο, έκανε πολύ λιγότερα λάθη από άλλα μοντέλα μηχανικής μάθησης. Στην πραγματικότητα, οι μακροπρόθεσμες προβλέψεις του NEURALGCM ήταν παρόμοιες με τις προβλέψεις του μοντέλου του Ensemble του Ευρωπαϊκού Κέντρου Μεσαίας Βοσκής (ECMWF-EN), ενός GCM που θεωρείται ευρέως χρυσό πρότυπο για προβλέψεις για τις καιρικές συνθήκες.

Η ομάδα εξέτασε επίσης πόσο καλά το μοντέλο θα μπορούσε να προβλέψει διαφορετικά φαινόμενα καιρού, όπως οι τροπικοί κυκλώνες. Διαπίστωσαν ότι πολλά από τα καθαρά μοντέλα μηχανικής μάθησης έδωσαν ασυνεπείς και ανακριβείς προβλέψεις σε σύγκριση με τόσο το NEURALGCM όσο και με το ECMWF-EN. Οι ερευνητές συνέκριναν ακόμη και το NEURALGCM με μοντέλα κλιματισμού υψηλής ανάλυσης, τα οποία είναι γνωστά ως μοντέλα παγκόσμιου καταιγίδας. 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 αποφάσεων και των προπαρασκευαστικών στρατηγικών", λέει ο Hosking.

Ο Hoyer και οι συνάδελφοί του θέλουν να βελτιώσουν και να προσαρμοστούν περαιτέρω. "Έχουμε εργαστεί στο ατμοσφαιρικό τμήμα της μοντελοποίησης του συστήματος της Γης ... είναι ίσως το μέρος που έχει το πιο άμεσο αποτέλεσμα στον καθημερινό καιρό", λέει ο Hoyer. Προσθέτει ότι η ομάδα θέλει να ενσωματώσει περισσότερες πτυχές των επιστημών της Γης σε μελλοντικές εκδόσεις για να βελτιώσει περαιτέρω την ακρίβεια του μοντέλου.