Egy számítógépes modell, amely ötvözi a hagyományos időjárás-előrejelzési technológiát a gépi tanulással, felülmúlta a többi mesterséges intelligencia (AI) alapú eszközöket Az időjárási forgatókönyvek és a hosszú távú éghajlati trendek előrejelzése túllépte.

Az eszköz, amelyet július 22 -én adtak kiTermészetleírták 1, az első gépi tanulási modell, amely pontos együttes időjárás -előrejelzéseket generál - olyanokat, amelyek a forgatókönyvek sorozatát képviselik. Fejlesztése megnyitja az ajtót az előrejelzésekhez, amelyek gyorsabbak és kevésbé energiát igényelnek, mint a meglévő eszközök, és részletesebbek, mint a kizárólag az AI -n alapuló megközelítések.

"A hagyományos éghajlati modelleknek szuperszámítógépeken kell futtatniuk. Ez egy olyan modell, amelyet percek alatt futtathat"-mondja Stephan Hoyer, a tanulmány társszerzője, aki a Kaliforniai Mountain View Google Research mély tanulását tanulmányozza.

A jelenlegi előrejelzési rendszerek általában az általános keringési modellekre (GCM), olyan programokra támaszkodnak, amelyek a fizika törvényeire támaszkodnak a Föld óceánjain és a légkörben zajló folyamatok szimulálására, és megjósolják, hogyan befolyásolhatják az időjárást és az éghajlatot. A GCM -ek azonban sok számítástechnikai energiát igényelnek, és a gépi tanulás fejlődése hatékonyabb alternatívát kínál. "Van terabájt vagy petabájt (milliószor nagyobb, mint egy gigabájt) a történelmi időjárási adatokkal" - mondja Hoyer. "Ha megtanulják ezeket a mintákat, jobb modelleket tudunk felépíteni."

Van már olyan gépi tanulási előrejelzési modellek, mint például a Pangu-Weather, amelyet a Huawei technológiai konglomerátum készített, Shenzhenben, Kínában, és Graphcast a DeepMind által székhelye Londonban. Ezeknek a modelleknek a pontossági szintje van, mint a tipikus GCM -ek a determinisztikus előrejelzéshez - ez a megközelítés egyetlen időjárási előrejelzést generál. A GCM-ek azonban nem olyan megbízhatóak az együttes előrejelzéseire vagy a hosszú távú éghajlati előrejelzésekre.

"A tiszta gépi tanulási megközelítések problémája az, hogy csak a már látott adatokat képezi az adatokra" - mondja Scott Hosking, aki kutatást végez az AI és a környezetvédelmi adatokról a londoni intézeteknél. "Az éghajlat folyamatosan változik, az ismeretlenbe indulunk, így gépi tanulási modelljeinknek extrapolálniuk kell ebbe az ismeretlen jövőbe. A fizika beépítésével a modellbe biztosíthatjuk, hogy modelleink fizikailag korlátozottak legyenek, és nem tudnak semmi irreális."

Hibrid modell

Hoyer és csapata kifejlesztette és kiképezte a NeuralGCM-et, egy olyan modellt, amely „egyesíti a hagyományos fizika-alapú légköri megoldási módszer aspektusait néhány AI-összetevővel”-mondja Hoyer. A modellt használták rövid és hosszú távú időjárás-előrejelzések és éghajlati előrejelzések előállítására. A NeuralGCM pontosságának értékelése érdekében a kutatók összehasonlították előrejelzéseit a valós adatokkal, valamint más modellek kimenetével, beleértve a GCM-eket és a pusztán a gépi tanulás alapján.

A jelenlegi gépi tanulási modellekhez hasonlóan a NeuralGCM pontos rövid távú, determinisztikus időjárási előrejelzéseket eredményezhet-egy-három nappal előre-, miközben a GCMS által megkövetelt energia töredékét használja. Ugyanakkor sokkal kevesebb hibát követett el, mint más gépi tanulási modellek, amikor a hét napon túl hosszú távú előrejelzéseket készítenek. Valójában a NeuralGCM hosszú távú előrejelzései hasonlóak voltak az Európai Közepes Kerület-időjárás-előrejelzési Központ (ECMWF-ENS) együttes modelljéhez, amely a GCM széles körben figyelembe vette az időjárás-előrejelzés aranyszabványát.

A csapat azt is megvizsgálta, hogy a modell mennyire képes megjósolni a különféle időjárási jelenségeket, például a trópusi ciklonokat. Megállapították, hogy a tiszta gépi tanulási modellek közül sok következetlen és pontatlan előrejelzéseket hozott létre mind a NeuralGCM, mind az ECMWF-SEN-hez képest. A kutatók még a NeuralGCM-et is összehasonlították a nagy felbontású klímamodellekkel, amelyeket globális viharfeloldó modelleknek hívnak. A NeuralGCM rövidebb idő alatt képes volt realisztikusabb trópusi ciklonszámokat és pályákat előállítani.

Az ilyen események előrejelzésének képessége „annyira fontos a döntéshozatali készségek és a felkészültségi stratégiák fejlesztése érdekében”-mondja Hosking.

Hoyer és kollégái tovább akarják finomítani és adaptálni a NeuralGCM -et. "A földrendszer modellezésének légköri alkotóelemén dolgozunk ... talán az a rész, amely a leginkább befolyásolja a mindennapi időjárást" - mondja Hoyer. Hozzáteszi, hogy a csapat szeretné beépíteni a Földtudomány több aspektusát a jövőbeli verziókban a modell pontosságának további javítása érdekében.