Google AI napoveduje dolgoročne podnebne trende in vreme - v nekaj minutah

Računalniški model, ki združuje konvencionalno tehnologijo vremenske napovedi s strojnim učenjem, ima druga orodja, ki temeljijo na umetni inteligenci (KI) pri Napoved vremenskih scenarijev in dolgoročnih podnebnih trendov presegajo.

Orodje, ki je bilo opisano 22. julija v Nature 1 Učni model, ki ustvarja natančne napovedi, ki ustvarja natančne napovedi. Njegov razvoj odpira vrata za napovedi, ki so hitrejše in manj energijsko intenzivne od obstoječih orodij in so podrobnejše od pristopov, ki temeljijo izključno na AI.

"Tradicionalne podnebne modele je treba izvesti na superračunalnikih. To je model, ki ga lahko izvedete v nekaj minutah," pravi študija Mitar Stephan Hoyer, ki študira na Googlu Research In Mountain View, California, Deep Learning.

Trenutni napovedni sistemi se običajno zanašajo na splošne modele obtoka (GCM), programe, ki se zanašajo na zakone fizike, da simulirajo procese v oceanih in atmosferi Zemlje in napovedujejo, kako lahko vplivajo na vreme in podnebje. Vendar GCM zahteva veliko računalniške moči, napredek pri strojnem učenju pa ponuja učinkovitejšo alternativo. "Imamo terabayte ali petabajt (en milijonkrat večji od gigabajta) zgodovinskih vremenskih podatkov," pravi Hoyer. "Z učenjem iz teh vzorcev lahko zgradimo boljše modele."

"Težava s čistimi mehanskimi učnimi pristopi je, da jo usposobite samo za podatke, ki jih je že videl," pravi Scott Hosking, ki na Institutih v Londonu upravlja raziskave o AI in okoljskih podatkih. "Podnebje se nenehno spreminja, gremo v neznano, zato se morajo naši modeli strojnega učenja ekstrapolirati v to neznano prihodnost. Z vključevanjem fizike v model lahko poskrbimo, da so naši modeli fizično omejeni in ne moremo storiti ničesar nerealnega."

hibridni model

Hoyer in njegova ekipa sta razvila in šolala NeuralGCM, model, ki združuje "vidike tradicionalnega fizikalnega atmosferskega posojila z nekaterimi komponentami AI," pravi Hoyer. Model so uporabili za ustvarjanje kratkoročnih in dolgoročnih vremenskih napovedi in podnebnih projekcij. Da bi ocenili natančnost NeuralGCM, so raziskovalci primerjali svoje napovedi z resničnimi podatki in izdatki drugih modelov, vključno z GCM in tistimi, ki temeljijo na strojnem učenju.

Kot trenutni modeli strojnega učenja je tudi NeuralGCM lahko ustvaril natančne kratkoročne, determinirane vremenske napovedi - med enim in tri dni vnaprej -, ki je porabil del energije, potrebne za GCM. Pri izdelavi dolgoročnih napovedi v sedmih dneh pa je to storilo veliko manj napak kot drugi mehanski modeli učenja. Dejansko so bile dolgoročne napovedi NeuralGCM podobne napovedi modela ansambla Evropskega centra za vremensko napoved srednjega razreda (ECMWF-EN), GCM, ki se široko šteje za zlati standard za vremenske napovedi.

Ekipa je tudi preizkusila, kako dobro bi model lahko napovedal različne vremenske pojave, kot so tropski cikloni. Ugotovili so, da mnogi čisti modeli strojnega učenja prinašajo nedosledne in netočne napovedi v primerjavi z NeuralGCM in ECMWF-EN. Raziskovalci so celo primerjali NeuralGCM z podnebnimi modeli z visoko resolucijo, ki so znani kot globalni modeli resolucije nevihte. NeuralGCM je lahko v krajšem času ustvaril bolj realistične številke tropskega ciklona in usmeritve.

Sposobnost napovedovanja takšnih dogodkov je "tako pomembna za izboljšanje spretnosti odločanja in pripravljalnih strategij," pravi Hosking.

Hoyer in njegovi sodelavci se želijo še bolj izpopolniti in prilagoditi. "Delali smo na atmosferskem delu modeliranja zemeljskega sistema ... morda je del, ki najbolj neposredno vpliva na vsakdanje vreme," pravi Hoyer. Dodaja, da želi ekipa v prihodnjih različicah vključiti več vidikov znanosti o Zemlji, da bi še izboljšala natančnost modela.