Google AI Prognóza dlhá - termín klimatické trendy a počasie - za pár minút

Počítačový model, ktorý kombinuje konvenčnú technológiu predpovede počasia so strojovým učením, má inú umelú inteligenciu (KI) založené nástroje na Predikcia scenárov počasia a dlhodobých klimatických trendov Super.

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. Jeho vývoj otvára dvere pre predpovede, ktoré sú rýchlejšie a menej energie ako existujúce nástroje a sú podrobnejšie ako prístupy, ktoré sú založené výlučne na AI.

„Tradičné klimatické modely sa musia vykonávať na superpočítačoch. Toto je model, ktorý môžete vykonať v minútach,“ hovorí Study Mitar Stephan Hoyer, ktorý študuje na prieskume Google v Mountain View v Kalifornii, Deep Learning.

Súčasné prediktívne systémy sa zvyčajne spoliehajú na všeobecné modely obehu (GCM), programy, ktoré sa spoliehajú na zákony fyziky na simuláciu procesov v oceánoch a atmosfére Zeme a predpovedajú, ako by mohli ovplyvniť počasie a klímu. GCM však vyžadujú veľa výpočtovej energie a pokrok v strojovom učení ponúka efektívnejšiu alternatívu. „Máme terabajty alebo petabyte (miliónkrát väčšie ako gigabajt) historických údajov o počasí,“ hovorí Hoyer. „Tým, že sa učíme z týchto vzorov, dokážeme budovať lepšie modely.“

Už existujú niektoré modely strojového učenia, ako napríklad Panguing Beather, ktoré vytvorila technologický konglomerát Huawei so sídlom v Shenzhen v Číne a Grafcast pomocou DeepMind S ústredím v Londýne. Tieto modely majú podobnú úroveň presnosti ako typické GCM pre deterministické predpovede - prístup, ktorý generuje jednu predpoveď počasia. GCM však nie sú také spoľahlivé pre predpovede súboru alebo dlhodobé predpovede podnebia.

„Problém s čistým mechanickým učením je to, že ich trénujete iba na údajoch, ktoré už videl,“ hovorí Scott Hosking, ktorý prevádzkuje výskum AI a environmentálnych údajov v ústave v Londýne. „Klimatické zmeny neustále sa menia, ideme do neznáma, takže naše modely strojového učenia musia extrapolovať do tejto neznámej budúcnosti. Integráciou fyziky do modelu sa môžeme ubezpečiť, že naše modely sú fyzicky obmedzené a nemôžu robiť nič nereálne.“

hybridný model

Hoyer a jeho tím vyvinuli a školili neuralgcm, model, ktorý kombinuje „aspekty tradičnej fyzikálnej atmosférickej pôžičky s niektorými komponentmi AI,“ hovorí Hoyer. Použili tento model na vytvorenie krátkodobých a dlhodobých predpovedí počasia a klimatických projekcií. S cieľom vyhodnotiť presnosť neuraLGCM vedci porovnávali svoje predpovede s údajmi o reálnom svete, ako aj výdavky na iné modely vrátane GCM a tých, ktoré sú založené na strojovom učení.

Rovnako ako súčasné modely strojového učenia, aj NeurGCM dokázal produkovať presné krátkodobé deterministické predpovede počasia - medzi jednou až tromi dňami vopred - spotrebúvanie zlomku energie potrebnej pre GCM. Pri produkcii dlhých predpovedí počas siedmich dní však urobilo oveľa menej chýb ako iné modely mechanického vzdelávania. V skutočnosti boli dlhodobé predpovede neuralgcm podobné predpovedi modelu súboru Európskeho centra pre predpoveď počasia stredného rozsahu (ECMWF-EN), GCM, ktorý sa všeobecne považuje za zlatý štandard pre predpovede počasia.

Tím tiež testoval, ako dobre by model mohol predpovedať rôzne javy počasia, ako sú tropické cyklóny. Zistili, že mnoho modelov čistého strojového učenia poskytlo nekonzistentné a nepresné predpovede v porovnaní s neuralgcm a ECMWF-EN. Vedci dokonca porovnávali NeurGCM s klimatickými modelmi s vysokým rozlíšením, ktoré sú známe ako globálne búrkové modely. NeuralGCM bol schopný produkovať realistickejšie tropické cyklónové čísla a trajektórie v kratšom čase.

Schopnosť predpovedať takéto udalosti je „taká dôležitá na zlepšenie rozhodovacích schopností a prípravných stratégií,“ hovorí Hosking.