En datormodell som kombinerar konventionell väderprognosteknik med maskininlärning har annan konstgjord intelligens (KI) -baserade verktyg på Förutsägelse av väderscenarier och långsiktiga klimattrender överskrider.

Verktyget, som beskrevs den 22 juli i Nature 1 inlärningsmodell som genererar exakta Ensemble väderföreställningar-de som representerar en numret som representerar en number. Dess utveckling öppnar dörren för förutsägelser som är snabbare och mindre energi -intensiva än befintliga verktyg och är mer detaljerade än tillvägagångssätt som uteslutande bygger på AI.

"Traditionella klimatmodeller måste genomföras på superdatorer. Detta är en modell som du kan utföra på några minuter," säger Study Mitar Stephan Hoyer, som studerar på Google Research i Mountain View, Kalifornien, Deep Learning.

nuvarande prediktiva system förlitar sig vanligtvis på allmänna cirkulationsmodeller (GCM), program som förlitar sig på fysikens lagar för att simulera processer i jordens hav och atmosfär och förutsäga hur de kan påverka vädret och klimatet. GCM kräver emellertid mycket datorkraft, och framsteg i maskininlärning erbjuder ett mer effektivt alternativ. "Vi har terabyte eller petabyte (en miljon gånger större än en gigabyte) av historiska väderdata," säger Hoyer. "Genom att lära av dessa mönster kan vi bygga bättre modeller."

Det finns redan vissa maskininlärningsmodeller som Pangu-Weather, som skapades av teknikkonglomeratet Huawei, baserat i Shenzhen, Kina och Grafcast av DeepMind Med huvudkontor i London. Dessa modeller har liknande nivåer av noggrannhet som typiska GCM: er för deterministiska förutsägelser - en metod som genererar en enda väderprognos. GCM är emellertid inte så pålitliga för ensembleprognoser eller långsiktiga klimatprognoser.

"Problemet med rena mekaniska inlärningsmetoder är att du bara utbildar det på data som det redan har sett," säger Scott Hosking, som driver forskning om AI och miljöuppgifter vid institut i London. "Klimatet förändras kontinuerligt, vi går in i det okända, så våra maskininlärningsmodeller måste extrapolera i denna okända framtid. Genom att integrera fysik i modellen kan vi se till att våra modeller är fysiskt begränsade och inte kan göra något orealistiskt."

hybridmodell

Hoyer och hans team utvecklade och skolade NeuralGCM, en modell som kombinerar "aspekter av en traditionell fysikbaserad atmosfärisk låneprocedur med vissa AI-komponenter," säger Hoyer. De använde modellen för att skapa korta och långsiktiga väderprognoser och klimatprognoser. För att utvärdera noggrannheten för neuralgcm jämförde forskarna sina förutsägelser med verkliga data såväl som utgifterna för andra modeller, inklusive GCM och de som är baserade på maskininlärning.

Som nuvarande maskininlärningsmodeller kunde NeuralGCM producera exakta kortvariga, deterministiska väderprognoser - mellan en och tre dagar i förväg - konsumerar en bråkdel av den energi som krävs för GCM. När man producerade långsiktiga prognoser under sju dagar gjorde det dock mycket färre misstag än andra mekaniska inlärningsmodeller. Faktum är att de långsiktiga prognoserna för neuralgcm liknade förutsägelserna för ensemblemodellen från European Center for Medium Range Weather Prognos (ECMWF-EN), en GCM som allmänt anses vara en guldstandard för väderprognoser.

Teamet testade också hur väl modellen kunde förutsäga olika väderfenomen, till exempel tropiska cykloner. De fann att många av de rena maskininlärningsmodellerna levererade inkonsekventa och felaktiga förutsägelser jämfört med både NeuralGCM och ECMWF-EN. Forskarna jämförde till och med neuralgcm med klimatmodeller med hög upplösning, som är kända som globala stormupplösningsmodeller. NeuralGCM kunde producera mer realistiska tropiska cyklonantal och banor på kortare tid.

Förmågan att förutsäga sådana händelser är "så viktigt för att förbättra beslutsfärdigheter och förberedande strategier", säger Hosking.

Hoyer och hans kollegor vill ytterligare förfina och anpassa sig. "Vi har arbetat med den atmosfäriska delen av att modellera jordsystemet ... det är kanske den del som har den mest direkta effekten på det vardagliga vädret," säger Hoyer. Han tillägger att teamet vill integrera fler aspekter av jordvetenskapen i framtida versioner för att ytterligare förbättra modellens noggrannhet.