Prognoza Google AI tendințe climatice pe termen lung și vreme - în câteva minute

Un model de computer care combină tehnologia convențională de prognoză meteo cu învățarea automată are alte instrumente bazate pe inteligență artificială (KI) la Prezicerea scenariilor meteorologice și a tendințelor climatice pe termen lung depășesc.

Instrumentul, care a fost descris pe 22 iulie în nature 1 modelul de învățare care generează previziuni de meteo de etemie precise-cele care reprezintă un număr de scenari. Dezvoltarea sa deschide ușa pentru predicții care sunt mai rapide și mai puține energetice decât instrumentele existente și sunt mai detaliate decât abordările care se bazează exclusiv pe AI.

„Modelele climatice tradiționale trebuie să fie efectuate pe supercomputere. Acesta este un model pe care îl puteți efectua în câteva minute”, spune Mitara de studiu Stephan Hoyer, care studiază Google Research in Mountain View, California, Deep Learning.

Sistemele predictive actuale se bazează de obicei pe modele de circulație generală (GCM), programe care se bazează pe legile fizicii pentru a simula procesele din oceanele și atmosfera pământului și prezic modul în care acestea ar putea influența vremea și climatul. Cu toate acestea, GCM -urile necesită multă putere de calcul, iar progresul în învățarea automată oferă o alternativă mai eficientă. „Avem terabyte sau petabyte (de un milion de ori mai mare decât un gigabyte) de date meteo istorice”, spune Hoyer. „Învățând din aceste modele, putem construi modele mai bune.”

Există deja unele modele de învățare automată, cum ar fi Pangu-Weather, care a fost creată de conglomeratul tehnologic Huawei, cu sediul în Shenzhen, China și Graphcast de DeepMind cu sediul central din Londra. Aceste modele au niveluri similare de precizie ca GCM -urile tipice pentru predicții deterministe - o abordare care generează o singură prognoză meteo. Cu toate acestea, GCM -urile nu sunt atât de fiabile pentru prognoze de ansamblu sau previziuni climatice pe termen lung.

„Problema cu abordările pure de învățare mecanică este că o instruiți doar pe datele pe care le -a văzut deja”, spune Scott Hosking, care operează cercetări asupra AI și date de mediu la Institutele din Londra. "Clima se schimbă continuu, intrăm în necunoscut, astfel încât modelele noastre de învățare automată trebuie să se extrapoleze în acest viitor necunoscut. Prin integrarea fizicii în model, ne putem asigura că modelele noastre sunt limitate fizic și nu pot face nimic nerealist."

model hibrid

Hoyer și echipa sa au dezvoltat și școlarizat NeuralGCM, un model care combină „aspecte ale unei proceduri tradiționale de împrumut atmosferic bazat pe fizică cu unele componente AI”, spune Hoyer. Au folosit modelul pentru a crea prognoze meteo pe termen scurt și pe termen lung și proiecții climatice. Pentru a evalua exactitatea nevralgcmului, cercetătorii au comparat predicțiile sale cu datele din lumea reală, precum și cu cheltuielile altor modele, inclusiv GCM -urile și cele care se bazează pe învățarea automată.

La fel ca modelele actuale de învățare automată, NeuralGCM a fost capabil să producă previziuni precise pe termen scurt și deterministe meteorologice - între una și trei zile înainte - consumând o fracțiune din energia necesară pentru GCM. Atunci când produceți prognoze pe termen lung pe parcursul a șapte zile, cu toate acestea, a făcut mult mai puține greșeli decât alte modele de învățare mecanică. De fapt, prognozele pe termen lung ale nevralgcm-ului au fost similare cu predicțiile modelului de ansamblu al Centrului European pentru prognoză meteo cu rază medie (ECMWF-EN), un GCM care este considerat pe scară largă un standard de aur pentru prognozele meteo.

Echipa a testat, de asemenea, cât de bine ar putea prezice modelul diferite fenomene meteorologice, cum ar fi ciclonii tropicali. Ei au descoperit că multe dintre modelele pure de învățare automată au oferit predicții inconsistente și inexacte, în comparație cu NeuralGCM și ECMWF-EN. Cercetătorii chiar au comparat nevralgcm cu modele climatice de înaltă rezoluție, care sunt cunoscute sub numele de modele globale de rezoluție a furtunii. NeuralGCM a fost capabil să producă numere și traiectorii de cicloni tropicali mai realiste într -un timp mai scurt.

Capacitatea de a prezice astfel de evenimente este „atât de importantă pentru a îmbunătăți abilitățile decizionale și strategiile pregătitoare”, spune Hosking.

Hoyer și colegii săi vor să se perfecționeze și să se adapteze în continuare. „Am lucrat la partea atmosferică a modelării sistemului Pământ ... este poate partea care are cel mai direct efect asupra vremii de zi cu zi”, spune Hoyer. El adaugă că echipa dorește să integreze mai multe aspecte ale științelor Pământului în versiunile viitoare pentru a îmbunătăți în continuare exactitatea modelului.