Google AI prognozē ilgtermiņa klimata tendences un laika apstākļus - pēc dažām minūtēm

Datoru modelim, kas apvieno parasto laika prognožu tehnoloģiju ar mašīnu apguvi, ir citi mākslīgā intelekta (KI) balstīti rīki vietnē laika scenāriju un ilgtermiņa klimata tendenču prognoze pārsniedz.

Rīks, kas tika aprakstīts 22. jūlijā dabā 1 mācīties modeli, kas rada precizētu laikapstākļu prognozes-tie, kas atspoguļo skaitu. Tās attīstība paver durvis prognozēm, kas ir ātrākas un mazāk enerģijas, nekā esošie rīki un ir detalizētākas nekā pieejas, kuru pamatā ir tikai AI.

“Superdatoriem jāveic tradicionālie klimata modeļi. Šis ir modelis, kuru varat veikt dažu minūšu laikā,” saka pētījums Mitar Stefans Hojers, kurš studē Google Research Mountain View, Kalifornijā, dziļi mācoties.

Pašreizējās prognozējošās sistēmas parasti paļaujas uz vispārīgiem cirkulācijas modeļiem (GCM), programmas, kas paļaujas uz fizikas likumiem, lai modelētu zemes okeānos un zemes atmosfērā un prognozētu, kā tās varētu ietekmēt laika apstākļus un klimatu. Tomēr GCM ir nepieciešama daudz skaitļošanas jaudas, un progress mašīnu apguvē piedāvā efektīvāku alternatīvu. "Mums ir terabaitu vai petabaitu (miljons reizes lielāks nekā gigabaits) vēsturisko laika apstākļu datu," saka Hojers. "Mācoties no šiem modeļiem, mēs varam izveidot labākus modeļus."

Jau ir daži mašīnmācīšanās modeļi, piemēram, Pangu-Weather, kurus izveidoja tehnoloģiju konglomerāts Huawei, kas atrodas Šenženā, Ķīnā, un DeepMind grafika ar galveno mītni Londonā. Šiem modeļiem ir līdzīgs precizitātes līmenis kā tipiski GCM deterministiskām prognozēm - pieeja, kas rada vienu laika prognozi. Tomēr GCM nav tik uzticami ansambļa prognozēm vai ilgtermiņa klimata prognozēm.

“Tīras mehāniskās mācīšanās pieejas problēma ir tā, ka jūs to apmācāt tikai uz jau redzētajiem datiem,” saka Skots Hosings, kurš vada pētījumus par AI un vides datiem Londonas institūtos. "Klimata izmaiņas nepārtraukti mainās, mēs nonākam nezināmā, tāpēc mūsu mašīnmācīšanās modeļiem ir jāiet ekstrapolē šajā nezināmajā nākotnē. Integrējot fiziku modelī, mēs varam pārliecināties, ka mūsu modeļi ir fiziski ierobežoti un nevar darīt neko nereālu."

Hibrīda modelis

Hoyer un viņa komanda izstrādāja un skoloja neiralGCM-modeli, kas apvieno “tradicionālās fizikas atmosfēras aizdevuma procedūras aspektus ar dažiem AI komponentiem”, saka Hojers. Viņi izmantoja modeli, lai izveidotu īsas un ilgtermiņa laika prognozes un klimata prognozes. Lai novērtētu neiralGCM precizitāti, pētnieki salīdzināja tās prognozes ar reālās pasaules datiem, kā arī citu modeļu, ieskaitot GCM un tos, kuru pamatā ir mašīnmācīšanās, izdevumi.

Tāpat kā pašreizējie mašīnmācīšanās modeļi, NeuralGCM spēja radīt precīzas īstermiņa, deterministiskas laika prognozes - no vienas līdz trīs dienas iepriekš - patērējot daļu no enerģijas, kas nepieciešama GCM. Tomēr, ražojot ilgtermiņa prognozes septiņu dienu laikā, tas tomēr pieļāva daudz mazāk kļūdu nekā citi mehāniskās mācīšanās modeļi. Faktiski neiralGCM ilgtermiņa prognozes bija līdzīgas Eiropas vidēja diapazona laika prognozes (ECMWF-EN) Eiropas Eiropas Modeļa prognozēm-GCM, kas tiek plaši uzskatīts par zelta standartu laika prognozēm.

Komanda arī pārbaudīja, cik labi modelis varētu paredzēt dažādas laika parādības, piemēram, tropiskos ciklonus. Viņi atklāja, ka daudzi no tīrajiem mašīnmācīšanās modeļiem sniedza nekonsekventas un neprecīzas prognozes, salīdzinot ar neiralGCM un ECMWF-EN. Pētnieki pat salīdzināja neiralGCM ar augstas izšķirtspējas klimata modeļiem, kurus sauc par globālajām vētras izšķirtspējas modeļiem. NeuralGCM spēja īsākā laikā radīt reālistiskākus tropisko ciklonu skaitļus un trajektorijas.

Spēja paredzēt šādus notikumus ir “tik svarīga, lai uzlabotu lēmumu pieņemšanas prasmes un sagatavošanas stratēģijas”, saka Hosking.

Hoyer un viņa kolēģi vēlas vēl vairāk uzlabot un pielāgoties. "Mēs esam strādājuši pie zemes sistēmas modelēšanas atmosfēras daļas ... iespējams, tā ir tā daļa, kas vistiešāk ietekmē ikdienas laika apstākļus," saka Hojers. Viņš piebilst, ka komanda vēlas integrēt vairāk Zemes zinātņu aspektu turpmākajās versijās, lai vēl vairāk uzlabotu modeļa precizitāti.