Google AI -ennuste pitkän aikavälin ilmastotrendit ja sää - muutamassa minuutissa

Tietokonemallissa, joka yhdistää tavanomaisen sääennustetekniikan koneoppimiseen, on muita tekoälyn (KI) -pohjaisia ​​työkaluja sääskenaarioiden ja pitkäaikaisten ilmastotrendien ennustaminen ylittää.

Työkalu, joka on kuvattu 22. heinäkuuta Nature 1 up> oppimismalliin, joka tuottaa tarkkoja yhtenäisiä sääennusteita. Sen kehitys avaa oven ennusteille, jotka ovat nopeampia ja vähemmän energiaa koskevia kuin olemassa olevia työkaluja ja ovat yksityiskohtaisempia kuin lähestymistavat, jotka perustuvat yksinomaan AI: hen.

"Perinteiset ilmastomallit on suoritettava supertietokoneissa. Tämä on malli, jonka voit suorittaa muutamassa minuutissa”, sanoo Mitar Stephan Hoyer, joka opiskelee Google Researchissa Mountain View, Kalifornia, Deep Learning.

Nykyiset ennustavat järjestelmät luottavat tyypillisesti yleisiin kiertomalliin (GCM), ohjelmiin, jotka luottavat fysiikan lakeihin simuloidakseen valtamerten prosesseja ja maan ilmapiiriä ja ennustaa, kuinka ne voivat vaikuttaa säähän ja ilmastoon. GCMS vaatii kuitenkin paljon laskentavoimaa, ja koneoppimisen eteneminen tarjoaa tehokkaamman vaihtoehdon. "Meillä on teratavu tai petabyte (miljoona kertaa suurempi kuin gigatavu) historiallisista säätiedoista", Hoyer sanoo. "Oppimalla näistä malleista voimme rakentaa parempia malleja."

On jo joitain koneoppimismalleja, kuten Pangu-Weather, jonka on luonut teknologiaryhmittymä Huawei, joka sijaitsee Shenzhenissä, Kiinassa, ja DeepMindin graphcast Lontoon pääkonttoriin. Näillä malleilla on samanlainen tarkkuustaso kuin tyypillisillä GCM: llä deterministisille ennusteille - lähestymistapa, joka tuottaa yhden sääennusteen. GCM: t eivät kuitenkaan ole niin luotettavia ryhmäennusteille tai pitkän aikavälin ilmastoennusteille.

"Puhtaan mekaanisen oppimislähestymistavan ongelma on, että koulutat sen vain sen jo nähtyihin tietoihin", sanoo Scott Hosking, joka suorittaa AI: n ja ympäristötietojen tutkimusta Lontoossa. "Ilmasto muuttuu jatkuvasti, siirrymme tuntemattomaan, joten koneoppimismallimme on ekstrapolottava tähän tuntemattomaan tulevaisuuteen. Integroimalla fysiikka malliin voimme varmistaa, että mallimme ovat fyysisesti rajalliset eikä voi tehdä mitään epärealistista."

hybridimalli

Hoyer ja hänen tiiminsä kehittivät ja kouluttivat NeuralGCM: n, mallin, jossa yhdistyvät ”perinteisen fysiikan pohjaisen ilmakehän lainaprosessin näkökohdat joidenkin AI-komponenttien kanssa”, Hoyer sanoo. He käyttivät mallia luodakseen lyhyen ja pitkän aikavälin sääennusteita ja ilmastoennusteita. NeuralGCM: n tarkkuuden arvioimiseksi tutkijat vertasivat sen ennusteita reaalimaailman tietoihin sekä muiden mallien, mukaan lukien GCM: n ja koneoppimiseen perustuvien GCM: ien, menot.

Kuten nykyiset koneoppimismallit, NeuralGCM pystyi tuottamaan tarkkoja lyhyen aikavälin, deterministisiä sääennusteita - yhdestä kolmeen päivää etukäteen - kuluttaen murto -osaa GCM: lle tarvittavasta energiasta. Kun tuotettiin pitkäaikaisia ​​ennusteita seitsemän päivän aikana, se teki kuitenkin paljon vähemmän virheitä kuin muut mekaaniset oppimismallit. Itse asiassa NeuralGCM: n pitkän aikavälin ennusteet olivat samanlaisia ​​kuin eurooppalaisen keskipitkän sääennusteen (ECMWF-en) Euroopan keskuksen kokonaismallin ennusteet, GCM, jota pidetään laajalti sääennusteen kultastandardina.

Ryhmä testasi myös, kuinka hyvin malli voisi ennustaa erilaisia ​​sääilmiöitä, kuten trooppisia sykloneja. He havaitsivat, että monet puhtaista koneoppimista malleista toimittivat epäjohdonmukaisia ​​ja epätarkkoja ennusteita verrattuna sekä NeuralGCM: ään että ECMWF-EN: hen. Tutkijat vertasivat jopa NeuralGCM: ää korkean resoluution ilmastomalleihin, jotka tunnetaan nimellä Global Storm -resoluutiomallit. NeuralGCM pystyi tuottamaan realistisempia trooppisia sykloneja ja suuntauksia lyhyemmässä ajassa.

Kyky ennustaa tällaisia ​​tapahtumia on ”niin tärkeä päätöksentekoa ja valmistelevia strategioita”, Hosking sanoo.

Hoyer ja hänen kollegansa haluavat tarkentaa ja mukautua edelleen. "Olemme työskennelleet maapallon järjestelmän mallintamisen ilmakehän osassa ... ehkä se on se osa, jolla on suorin vaikutus jokapäiväiseen säähän", Hoyer sanoo. Hän lisää, että joukkue haluaa integroida enemmän maatieteiden näkökohtia tuleviin versioihin mallin tarkkuuden parantamiseksi edelleen.