Google AI Prognozuj długoterminowe trendy klimatyczne i pogoda - w ciągu kilku minut
Google AI Prognozuj długoterminowe trendy klimatyczne i pogoda - w ciągu kilku minut
„Tradycyjne modele klimatyczne muszą być przeprowadzane na superkomputerach. Jest to model, który można wykonać w ciągu kilku minut”, mówi Study Mitar Stephan Hoyer, który studiuje Google Research in Mountain View w Kalifornii, Deep Learning.
Obecne systemy predykcyjne zazwyczaj opierają się na ogólnych modelach krążenia (GCM), programach, które opierają się na prawach fizyki w celu symulacji procesów w oceanach i atmosferze Ziemi i przewidują, w jaki sposób mogą wpływać na pogodę i klimat. Jednak GCM wymagają dużej mocy obliczeniowej, a postęp w uczeniu maszynowym stanowią bardziej wydajną alternatywę. „Mamy terabajt lub petabajt (jeden milion razy większy niż gigabajt) historycznych danych pogodowych” - mówi Hoyer. „Ucząc się z tych wzorców, możemy budować lepsze modele”.
Istnieją już niektóre modele uczenia maszynowego, takie jak Pangu-Weather, które zostały stworzone przez konglomerat technologiczny Huawei, z siedzibą w Shenzhen, China i Graphcast by DeepMind Z siedzibą w Londynie. Modele te mają podobny poziom dokładności jak typowe GCM dla prognoz deterministycznych - podejście, które generuje jedną prognozę pogody. Jednak GCM nie są tak wiarygodne w przypadku prognoz zespołowych lub długoterminowych prognoz klimatu.
„Problem z czystymi podejściami do uczenia się mechanicznego polega na tym, że szkolisz go tylko na danych, które już widział”, mówi Scott Hosking, który prowadzi badania nad sztuczną inteligencją i danymi środowiskowymi w Institutes w Londynie. „Zmiany klimatu w sposób ciągły, wchodzimy w nieznane, więc nasze modele uczenia maszynowego muszą ekstrapolować do tej nieznanej przyszłości. Integrując fizykę z modelem, możemy upewnić się, że nasze modele są ograniczone fizycznie i nie mogą zrobić niczego nierealnego”.
Model hybrydowy
Hoyer i jego zespół opracowali i uczą się NeuralGCM, modelu, który łączy „aspekty tradycyjnej opartej na fizyce procedury pożyczki atmosferycznej z niektórymi elementami AI”, mówi Hoyer. Wykorzystali ten model do tworzenia krótkoterminowych i długoterminowych prognoz pogodowych i prognoz klimatycznych. Aby ocenić dokładność neuralgcm, naukowcy porównali swoje prognozy z danymi w świecie rzeczywistym, a także wydatki innych modeli, w tym GCM i tych opartych na uczeniu maszynowym.
Podobnie jak obecne modele uczenia maszynowego, neuralgcm był w stanie uzyskać precyzyjne krótkoterminowe, deterministyczne prognozy pogody - od jednego do trzech dni wcześniej - zużywając ułamek energii wymaganej dla GCM. Jednak przy długoterminowych prognozach w ciągu siedmiu dni popełniło znacznie mniej błędów niż inne mechaniczne modele uczenia się. W rzeczywistości długoterminowe prognozy neuralgcm były podobne do prognoz modelu zespołu europejskiego centrum prognozy pogody średniej zasięgu (ECMWF-EN), GCM, który jest powszechnie uważany za złoty standard prognoz pogody.
Zespół sprawdził również, jak dobrze model może przewidzieć różne zjawiska pogodowe, takie jak cyklony tropikalne. Odkryli, że wiele czystych modeli uczenia maszynowego zapewniało niespójne i niedokładne prognozy w porównaniu zarówno z neuralgcm, jak i ECMWF-EN. Naukowcy porównali nawet neuralgcm z modelem klimatycznym o wysokiej rozdzielczości, które są znane jako modele globalnych rozdzielczości burzy. NeuralGCM był w stanie w krótszym czasie wytwarzać bardziej realistyczne liczby cyklonów tropikalnych i trajektorie.
Zdolność do przewidywania takich wydarzeń jest „tak ważna w celu poprawy umiejętności decyzyjnych i strategii przygotowawczych”, mówi Hosking.
Hoyer i jego koledzy chcą dalej udoskonalić i dostosować się. „Pracowaliśmy nad atmosferyczną częścią modelowania systemu Ziemi ... być może jest to część najbardziej bezpośredni wpływ na codzienną pogodę” - mówi Hoyer. Dodaje, że zespół chce zintegrować więcej aspektów Nauk o Ziemi w przyszłych wersjach, aby jeszcze bardziej poprawić dokładność modelu.
-
Kochkov, D. i in. nature