Google AI prognozuojama ilgalaikė klimato tendencijos ir orai - po kelių minučių

Kompiuterinis modelis, sujungiantis įprastą orų prognozės technologiją su mašininiu mokymu "Https://www.nature.com/articles/d41586-024-00780-8" Data-Rack-category = "Kūno teksto nuoroda"> Orų scenarijų ir ilgalaikių klimato tendencijų prognozė viršija.

The tool, which was described on July 22nd in Nature 1 Learning model that generates precise ensemble weather forecasts - those that represent a number of scenarios. Jo vystymasis atveria duris prognozėms, kurios yra greitesnės ir mažiau energijos, nei esamos priemonės, ir yra išsamesnės nei metodai, pagrįsti tik AI.

„Tradiciniai klimato modeliai turi būti vykdomi superkompiuteriuose. Tai yra modelis, kurį galite atlikti per kelias minutes“, - sako tyrimas Mitaras Stephanas Hoyeris, „Google Research“ studijas Mountain View mieste, Kalifornijoje, „Deep Learning“.

Dabartinės prognozuojamos sistemos paprastai priklauso nuo bendrųjų cirkuliacijos modelių (GCM), programų, kurios remiasi fizikos įstatymais, siekdamos imituoti procesus vandenynuose ir atmosferoje ir numatyti, kaip jos galėtų paveikti orą ir klimatą. Tačiau GCM reikalauja daug skaičiavimo galios, o mašinų mokymosi pažanga siūlo efektyvesnę alternatyvą. „Mes turime Terabaitą arba Petabaitą (milijoną kartų didesnį nei gigabaitas) istorinių orų duomenų“, - sako Hoyeris. „Mokydamiesi iš šių modelių galime sukurti geresnius modelius“.

Jau yra keletas mašinų mokymosi modelių, tokių kaip „Pangu-Weather“, kuriuos sukūrė technologijos konglomeratas „Huawei“, įsikūręs Šenzene, Kinijoje, ir „DeepMind“ grafikas su būstine Londone. Šie modeliai turi panašų tikslumo lygį kaip ir tipiški GCM, kad deterministinėms prognozėms yra metodas, sukuriantis vieną orų prognozę. Tačiau GCM nėra tokie patikimi ansamblio prognozėms ar ilgalaikėms klimato prognozėms.

„Gryno mechaninio mokymosi metodų problema yra ta, kad jūs mokote tik tai, ką jis jau matė“, - sako Scottas Hoskingas, vykdantis AI ir aplinkos duomenų tyrimus Londone institutuose. "Klimatas nuolat keičiasi, mes einame į nežinomybę, todėl mūsų mašinų mokymosi modeliai turi būti ekstrapoliuoti į šią nežinomą ateitį. Integruodami fiziką į modelį, galime įsitikinti, kad mūsų modeliai yra fiziškai riboti ir negali padaryti nieko nerealaus."

hibridinis modelis

Hoyeris ir jo komanda sukūrė ir mokė neuralgcm-modelį, kuriame derinami „tradicinės fizikos atmosferos paskolos procedūros su kai kuriais AI komponentais aspektai“,-sako Hoyer. Jie panaudojo modelį, kad sukurtų trumpalaikes ir ilgalaikes orų prognozes ir klimato prognozes. Norėdami įvertinti neuralgCM tikslumą, tyrėjai palygino jo prognozes su realaus pasaulio duomenimis ir kitų modelių, įskaitant GCM, ir tų, kurie yra pagrįsti mašininiu mokymu, išlaidas.

Kaip ir dabartiniai mašinų mokymosi modeliai, „NeuralgCM“ sugebėjo tiksliai pagaminti trumpalaikes, deterministines orų prognozes - nuo vienos iki trijų dienų iš anksto - sunaudodama dalį energijos, reikalingos GCM. Tačiau gaminant ilgalaikes prognozes per septynias dienas, tai padarė daug mažiau klaidų nei kiti mechaninio mokymosi modeliai. Tiesą sakant, ilgalaikės neuralgcm prognozės buvo panašios į Europos vidutinio nuotolio orų prognozės centro ansamblio modelio prognozes (ECMWF-EN)-GCM, kuris yra plačiai laikomas auksiniu orų prognozių standartu.

Komanda taip pat išbandė, kaip gerai modelis galėtų numatyti skirtingus orų reiškinius, tokius kaip atogrąžų ciklonai. Jie nustatė, kad daugelis gryno mašininio mokymosi modelių pateikė nenuoseklius ir netikslius prognozes, palyginti su neuralgcm ir ECMWF-EN. Tyrėjai netgi palygino neuralgcm su aukšto raiškos klimato modeliais, kurie yra žinomi kaip pasaulinės audros -raiškos modeliai. Neuralgcm per trumpesnį laiką sugebėjo sukurti realistiškesnius atogrąžų ciklono skaičius ir trajektorijas.

Gebėjimas numatyti tokius įvykius yra „taip svarbu tobulinti sprendimų įgūdžius ir parengiamąsias strategijas“, - sako Hoskingas.

Hoyeris ir jo kolegos nori toliau patobulinti ir prisitaikyti. „Mes dirbome prie atmosferos žemės modeliavimo dalies ... Galbūt būtent ta dalis daro tiesioginį poveikį kasdieniam orui“, - sako Hoyeris. Jis priduria, kad komanda nori integruoti daugiau Žemės mokslų aspektų būsimose versijose, kad dar labiau pagerintų modelio tikslumą.