Google AI prognozira dugoročne klimatske trendove i vremenske prilike - za nekoliko minuta
Google AI prognozira dugoročne klimatske trendove i vremenske prilike - za nekoliko minuta
Računalni model koji kombinira konvencionalnu tehnologiju prognoze vremenske prognoze s strojnim učenjem ima i druge alate za umjetnu inteligenciju (KI) na Predviđanje vremenskih scenarija i dugoročnih klimatskih trendova Execece.
Alat, koji je opisan 22. srpnja u prirodi 1
„Tradicionalni klimatski modeli moraju se provesti na superračunalima. Ovo je model koji možete provesti za nekoliko minuta“, kaže studij Mitar Stephan Hoyer, koji studira na Google Research in Mountain View, Kalifornija, duboko učenje.
Trenutni prediktivni sustavi obično se oslanjaju na opće modele cirkulacije (GCMS), programe koji se oslanjaju na zakone fizike kako bi simulirali procese u oceanima i atmosferi Zemlje i predviđali kako mogu utjecati na vremenske prilike i klimu. Međutim, GCM -ovi zahtijevaju puno računalne snage, a napredak u strojnom učenju nudi učinkovitiju alternativu. "Imamo terabajt ili petabajt (milijun puta veći od gigabajta) povijesnih vremenskih podataka", kaže Hoyer. "Učenjem iz ovih obrazaca možemo izgraditi bolje modele."
Već postoje neki modeli strojnog učenja, poput Pangu-Weather-a, koji je stvorio tehnološki konglomerat Huawei, sa sjedištem u Shenzhenu, Kini i Graphcast by DeepMind sa sjedištem u Londonu. Ovi modeli imaju sličnu razinu točnosti kao tipične GCM -ove za deterministička predviđanja - pristup koji stvara jednu vremensku prognozu. Međutim, GCM -ovi nisu toliko pouzdani za prognoze ansambla ili dugoročne klimatske prognoze.
„Problem s čistim pristupima mehaničkom učenju je taj što ga trenirate samo na podacima koje je već vidio", kaže Scott Hosking, koji upravlja istraživanjima AI i podacima o okolišu na Institutima u Londonu. "Klimatske se mijenjaju kontinuirano, ulazimo u nepoznato, tako da naši modeli strojnog učenja moraju ekstrapolirati u ovu nepoznatu budućnost. Integrirajući fiziku u model, možemo biti sigurni da su naši modeli fizički ograničeni i ne mogu učiniti ništa nerealno."
Hibridni model
Hoyer i njegov tim razvili su i školovali neuralGCM, model koji kombinira "aspekte tradicionalnog postupka atmosferskog zajma utemeljenog na fizici s nekim AI komponentama", kaže Hoyer. Koristili su model za stvaranje kratkih i dugoročnih vremenskih prognoza i klimatskih projekcija. Kako bi procijenili točnost neuralGCM -a, istraživači su uspoređivali svoja predviđanja s podacima iz stvarnog svijeta, kao i troškove drugih modela, uključujući GCM -ove i one koji se temelje na strojnom učenju.
Kao i trenutni modeli strojnog učenja, NeuralGCM je uspio proizvesti precizne, determinirane vremenske prognoze - između jednog i tri dana unaprijed - konzumirajući djelić energije potrebne za GCMS. Međutim, prilikom stvaranja dugoročnih prognoza tijekom sedam dana, napravio je mnogo manje pogrešaka od ostalih modela mehaničkih učenja. U stvari, dugoročne prognoze neuralGCM bile su slične predviđanjima modela ansambla Europskog centra za vremenske prognoze srednjeg dometa (ECMWF-EN), GCM-a koji se široko smatra zlatnim standardom za vremenske prognoze.
Tim je također testirao koliko bi model mogao predvidjeti različite vremenske pojave, poput tropskih ciklona. Otkrili su da mnogi čisti modeli strojnog učenja pružaju nedosljedna i netočna predviđanja u usporedbi i s neuralGCM i ECMWF-EN. Istraživači su čak usporedili neuralGCM s klimatskim modelima visoke rezolucije, koji su poznati kao globalni modeli rezolucije oluje. NeuralGCM je uspio proizvesti realnije brojeve tropskog ciklona i putanja u kraćem vremenu.
Sposobnost predviđanja takvih događaja "toliko je važna za poboljšanje vještina odlučivanja i pripremnih strategija", kaže Hosking.
Hoyer i njegovi kolege žele dalje usavršavati i prilagoditi se. "Radili smo na atmosferskom dijelu modeliranja zemaljskog sustava ... to je možda dio koji ima najrasporedniji učinak na svakodnevno vrijeme", kaže Hoyer. Dodaje da tim želi integrirati više aspekata zemaljskih znanosti u buduće verzije kako bi dodatno poboljšao točnost modela.
-
Kochkov, D. i sur. priroda