Google AI spår langvarig klimatrender og vær - om noen minutter

En datamodell som kombinerer konvensjonell værmeldingsteknologi med maskinlæring har annen kunstig intelligens (KI) -baserte verktøy på Prediksjon av værscenarier og langsiktige klimagrender overstiger.

Verktøyet, som ble beskrevet 22. juli i Nature 1 læringsmodell som genererer Precise ensemble WeatreeCasts-de som representerer et antall som representerer en læringsmodell. Utviklingen åpner døren for spådommer som er raskere og mindre energi -intrensive enn eksisterende verktøy og er mer detaljerte enn tilnærminger som utelukkende er basert på AI.

"Tradisjonelle klimamodeller må utføres på superdatamaskiner. Dette er en modell som du kan utføre på få minutter," sier studiemitar Stephan Hoyer, som studerer ved Google Research in Mountain View, California, Deep Learning.

Nåværende prediktive systemer er vanligvis avhengige av generelle sirkulasjonsmodeller (GCM), programmer som er avhengige av fysikkens lover for å simulere prosesser i havene og atmosfæren på jorden og forutsi hvordan de kan påvirke været og klimaet. Imidlertid krever GCMs mye datakraft, og fremgang innen maskinlæring gir et mer effektivt alternativ. "Vi har terabyte eller petabyte (en million ganger større enn en gigabyte) historiske værdata," sier Hoyer. "Ved å lære av disse mønstrene kan vi bygge bedre modeller."

Det er allerede noen maskinlæringsmodeller som Pangu-Weather, som ble opprettet av teknologikonglomeratet Huawei, med base i Shenzhen, Kina og Graphcast av DeepMind Med hovedkvarter i London. Disse modellene har lignende nøyaktighetsnivåer som typiske GCMer for deterministiske spådommer - en tilnærming som genererer en enkelt værmelding. GCMer er imidlertid ikke så pålitelige for ensembleprognoser eller langvarig klimaprognoser.

"Problemet med rene mekaniske læringsmetoder er at du bare trener det på data det allerede har sett," sier Scott Hosking, som driver forskning på AI og miljødata på Institutes i London. "Klimaendringene kontinuerlig, vi går inn på det ukjente, så maskinlæringsmodellene våre må ekstrapolere inn i denne ukjente fremtiden. Ved å integrere fysikk i modellen, kan vi sørge for at modellene våre er fysisk begrensede og ikke kan gjøre noe urealistisk."

hybridmodell

Hoyer og teamet hans utviklet og skolert NeuralGCM, en modell som kombinerer "aspekter av en tradisjonell fysikkbasert atmosfærisk låneprosedyre med noen AI-komponenter," sier Hoyer. De brukte modellen for å lage korte og langsiktige værmeldinger og klimaprognoser. For å evaluere nøyaktigheten av NeuralGCM, sammenlignet forskerne dets spådommer med virkelige data så vel som utgiftene til andre modeller, inkludert GCMer og de som er basert på maskinlæring.

Som nåværende maskinlæringsmodeller, var NeuralGCM i stand til å produsere presis kortsiktig, deterministisk værmeldinger - mellom en og tre dager i forveien - og konsumerte en brøkdel av energien som kreves for GCMS. Når du produserer langvarige prognoser over syv dager, gjorde det imidlertid mye færre feil enn andre mekaniske læringsmodeller. Faktisk var de langsiktige prognosene for NeuralGCM lik prediksjonene til ensemblemodellen til det europeiske senteret for middels rekkevidde værvarsel (ECMWF-EN), en GCM som anses som en gullstandard for værvarsel.

Team testet også hvor godt modellen kunne forutsi forskjellige værfenomener, for eksempel tropiske sykloner. De fant at mange av de rene maskinlæringsmodellene leverte inkonsekvente og unøyaktige spådommer sammenlignet med både NeuralGCM og ECMWF-en. Forskerne sammenlignet til og med NeuralGCM med høyoppløselige klimamodeller, som er kjent som globale stormoppløselige modeller. NeuralGCM var i stand til å produsere mer realistiske tropiske syklonnummer og bane på kortere tid.

Evnen til å forutsi slike hendelser er "så viktig for å forbedre beslutningsferdigheter og forberedende strategier," sier Hosking.

Hoyer og kollegene ønsker å foredle og tilpasse seg ytterligere. "Vi har jobbet med den atmosfæriske delen av å modellere jordsystemet ... det er kanskje den delen som har den mest direkte effekten på hverdagens vær," sier Hoyer. Han legger til at teamet ønsker å integrere flere aspekter av jordvitenskapene i fremtidige versjoner for å forbedre modellens nøyaktighet ytterligere.