A Google AI előrejelzése hosszú távú éghajlati trendek és időjárás - néhány perc múlva

Egy olyan számítógépes modell, amely a hagyományos időjárási előrejelzési technológiát és a gépi tanulással ötvözi, más mesterséges intelligencia (KI) alapú eszközökkel rendelkezik a Az időjárási forgatókönyvek és a hosszú távú klímat trendek előrejelzése meghaladja.

Az eszköz, amelyet július 22-én írtak le a nature 1

„A hagyományos éghajlati modelleket szuperszámítógépeken kell elvégezni. Ez egy olyan modell, amelyet percek alatt elvégezhet” - mondja a Mitar Stephan Hoyer tanulmánya, aki a kaliforniai Mountain View Google Research -en tanul.

A jelenlegi prediktív rendszerek általában az általános keringési modellekre (GCM), olyan programokra támaszkodnak, amelyek a fizika törvényeire támaszkodnak a Föld óceánjaiban és légkörében zajló folyamatok szimulálására, és megjósolják, hogyan befolyásolhatják az időjárást és az éghajlatot. A GCM -ek azonban sok számítástechnikai energiát igényelnek, és a gépi tanulás előrelépése hatékonyabb alternatívát kínál. "Terabyte vagy petabyte (egymilliószor nagyobb, mint egy gigabájt) a történelmi időjárási adatok" - mondja Hoyer. "Ha megtanulják ezeket a mintákat, jobb modelleket tudunk felépíteni."

Már vannak olyan gépi tanulási modellek, mint például a Pangu-Weather, amelyet a Huawei technológiai konglomerátum készített, amely Shenzhenben, Kínában, és Graphcast by Deepmind A székhely Londonban. Ezeknek a modelleknek a pontossága hasonló, mint a determinisztikus előrejelzések tipikus GCM -je - ez a megközelítés egyetlen időjárás -előrejelzést generál. A GCM -ek azonban nem olyan megbízhatóak az együttes előrejelzéseire vagy a hosszú távú éghajlati előrejelzésekre.

„A tiszta mechanikus tanulási megközelítések problémája az, hogy csak a már látott adatokra képzi azt." - mondja Scott Hosking, aki a londoni intézetek AI és környezetvédelmi adataival kapcsolatos kutatást végez. "Az éghajlat folyamatosan változik, bemegyünk az ismeretlenbe, így a gépi tanulási modelljeinknek extrapolálniuk kell ebbe az ismeretlen jövőbe. A fizika integrálásával a modellbe gondoskodhatunk arról, hogy modelleink fizikailag korlátozottak legyenek, és nem tudnak semmi irreális."

hibrid modell

Hoyer és csapata kifejlesztette és iskoláztatta a NeuralGCM-et, egy olyan modellt, amely „a hagyományos fizikai alapú légköri hitel-eljárás aspektusait ötvözi néhány AI-összetevővel”-mondja Hoyer. A modellt használták rövid és hosszú távú időjárási előrejelzések és éghajlati előrejelzések létrehozására. A NeuralGCM pontosságának értékelése érdekében a kutatók összehasonlították előrejelzéseit a valós adatokkal, valamint más modellek, beleértve a GCM -eket és a gépi tanuláson alapuló embereket.

Mint a jelenlegi gépi tanulási modellek, a NeuralGCM képes volt pontos rövid távú, determinisztikus időjárási előrejelzéseket készíteni - egy -három nappal korábban -, a GCM -khez szükséges energia töredéke. Ha hosszú távú előrejelzéseket készít hét nap alatt, sokkal kevesebb hibát követett el, mint más mechanikus tanulási modellek. Valójában a NeuralGCM hosszú távú előrejelzései hasonlóak voltak az Európai Medium-tartományú Időjárás-előrejelzési Központ (ECMWF-EN) együttes modelljének előrejelzéseihez, egy GCM-hez, amelyet széles körben az időjárási előrejelzések aranyszabványának tekintnek.

A csapat azt is megvizsgálta, hogy a modell mennyire képes megjósolni a különböző időjárási jelenségeket, például a trópusi ciklonokat. Megállapították, hogy a tiszta gépi tanulási modellek sokasága következetlen és pontatlan előrejelzéseket adott mind a NeuralGCM-hez, mind az ECMWF-EN-hez képest. A kutatók még a NeuralGCM -et is összehasonlították a nagy reprolúciós klímamodellekkel, amelyeket globális vihar -resoladási modelleknek hívnak. A NeuralGCM rövidebb idő alatt képes volt realisztikusabb trópusi ciklonszámokat és pályákat előállítani.

Az ilyen események előrejelzésének képessége „annyira fontos a döntési készségek és az előkészítő stratégiák fejlesztése érdekében” - mondja Hosking.

Hoyer és kollégái tovább akarják finomítani és alkalmazkodni. "A földrendszer modellezésének légköri részén dolgoztunk ... talán az a rész, amely a leg közvetlen hatással van a mindennapi időjárásra" - mondja Hoyer. Hozzáteszi, hogy a csapat a Földtudományok több aspektusát akarja integrálni a jövőbeli verziókban, hogy tovább javítsa a modell pontosságát.