Google AI prognoosib pikaajalisi kliimasuundumusi ja ilmastikuolusid - mõne minutiga

Arvutimudel, mis ühendab tavapärase ilmateate tehnoloogiaga masinõppega, on muid tehisintellekti (KI) põhiseid tööriistu aadressil ilmastiku stsenaariumide ennustamine ja pikaajalised kliimatrendid üle.

Tööriist, mida kirjeldati 22. juulil loodus 1 , mis genereerib eelnevaid ilmastikuid. Selle areng avab ukse kiiremini ja vähem energia -intensiivsetest prognooside jaoks kui olemasolevad tööriistad ja on üksikasjalikumad kui lähenemisviisid, mis põhinevad eranditult AI -l.

„Traditsioonilised kliimamudelid tuleb läbi viia superarvutitega. See on mudel, mida saate mõne minutiga läbi viia,” ütleb õppimine AMAR STEPHAN HOYER, kes õpib Google Research'is Mountain View's Californias, Deep Learning.

Praegused ennustamissüsteemid tuginevad tavaliselt üldistele ringlusmudelitele (GCMS) - programmidele, mis tuginevad füüsika seadustele, et simuleerida maakera ookeanide ja atmosfääri protsesse ning ennustada, kuidas need võivad ilmastiku ja kliimat mõjutada. Kuid GCM -id vajavad palju arvutusvõimsust ja masinõppe edendamine pakub tõhusamat alternatiivi. "Meil on ajalooliste ilmateadete terabaitid või petabaitid (miljon korda suurem kui gigabaiti)," ütleb Hoyer. "Nendest mustritest õppides saame luua paremaid mudeleid."

Juba on olemas mõned masinõppe mudelid nagu Pangu-Weather, mille lõi tehnoloogia konglomeraate Huawei, mis asub Shenzhenis, Hiinas, ja Graphcast autor DeepMind Londoni peakorteriga. Nendel mudelitel on sarnane täpsuse tase kui tüüpilised GCM -id deterministlike ennustuste jaoks - lähenemisviis, mis genereerib ühe ilmateade. Kuid GCM -id ei ole ansambliprognooside ega pikaajaliste kliimaprognooside jaoks nii usaldusväärsed.

"Puhta mehaanilise õppimise lähenemisviiside probleem on see, et koolitate seda ainult juba nähtud andmete põhjal," ütleb Scott Hosking, kes opereerib AI ja keskkonnaandmete uurimist Londoni instituutides. "Kliimamuutused muutuvad pidevalt, me läheme tundmatusse, nii et meie masinõppe mudelid peavad sellesse tundmatusse tulevikku ekstrapoleerima. Füüsika integreerimisega mudelisse saame veenduda, et meie mudelid on füüsiliselt piiratud ega saa midagi ebareaalset teha."

hübriidmudel

Hoyer ja tema meeskond töötasid välja ja koolitasid neuralgcm-mudeli, mis ühendab „traditsioonilise füüsikapõhise atmosfäärilaenu protseduuri aspektid mõne AI komponendiga,” ütleb Hoyer. Nad kasutasid mudelit lühikeste ja pikaajaliste ilmaprognooside ja kliimaprognooside loomiseks. NeuraGCM täpsuse hindamiseks võrdlesid teadlased oma ennustusi reaalse maailma andmetega, samuti teiste mudelite, sealhulgas GCM -ide ja masinõppe põhinevate kulutuste kuludega.

Nagu praegused masinõppe mudelid, suutis NEURALGCM toota täpset lühiajalist deterministlikku ilmaprognoosi - vahemikus ühe kuni kolm päeva ette -, tarbides murdosa GCM -ide jaoks vajalikust energiast. Pikkade prognooside koostamisel seitsme päeva jooksul tegi see aga palju vähem vigu kui muud mehaanilised õppimismudelid. Tegelikult olid neuralgcM pikaajalised prognoosid sarnased Euroopa keskmise ulatusega ilmateate keskuse (ECMWF-EN) ansamblimudeli (ECMWF-EN), GCM-i prognoosidega, mida peetakse laialdaselt ilmaprognooside kuldstandardiks.

Meeskond testis ka seda, kui hästi mudel suutis ennustada erinevaid ilmanähtusi, näiteks troopilisi tsüklonit. Nad leidsid, et paljud puhta masinõppe mudelid andsid ebajärjekindlaid ja ebatäpseid ennustusi võrreldes nii neurangcm kui ka ECMWF-EN-iga. Teadlased võrdlesid isegi neurargcm kõrge eraldusvõimega kliimamudelitega, mida tuntakse globaalse tormi -eraldusmudelina. Neuralgcm suutis lühema aja jooksul toota realistlikumaid troopilisi tsüklonite arvu ja trajektoore.

Võime selliseid sündmusi ennustada on "nii oluline otsustusoskuste ja ettevalmistavate strateegiate parandamiseks", ütleb Hosking.

Hoyer ja tema kolleegid tahavad veelgi täpsustada ja kohaneda. "Oleme töötanud Maasüsteemi modelleerimise atmosfääriosas ... see on võib -olla see osa, millel on igapäevane ilm kõige otsesem mõju," ütleb Hoyer. Ta lisab, et meeskond soovib mudeli täpsust veelgi paremaks muuta tulevaste versioonide integreerida maateaduste rohkem aspekte.