Google AI может предсказывать долгосрочные климатические и погодные тенденции всего за несколько минут

Компьютерная модель, объединяющая традиционную технологию прогнозирования погоды с алгоритмом машинного обучения, разработанным Google, недавно продемонстрировала превосходство над традиционными инструментами на основе искусственного интеллекта (ИИ) в прогнозировании прогнозируемых погодных сценариев и долгосрочных климатических тенденций.

Это первая модель машинного обучения, которая может производить точные общие прогнозы погоды – прогнозы, которые охватывают широкий спектр сценариев. Разработка этой модели откроет дверь к прогнозированию, которое будет быстрее, менее энергозатратным, чем существующие инструменты, и особенно более подробным, чем подходы, основанные исключительно на ИИ.

Современные системы прогнозирования часто полагаются на модели общей циркуляции (GCM), которые представляют собой программы, основанные на законах физики, для моделирования различных процессов, происходящих в океанах и атмосфере Земли, и прогнозирования того, как они могут повлиять на глобальную погоду и климат. Проблема в том, что GCM требует большой вычислительной мощности, вплоть до терабайт или даже петабайт данных, потребляя много ресурсов и энергии. К счастью, достижения в области машинного обучения начинают предоставлять более эффективную альтернативу.

Уже существует несколько моделей машинного обучения для прогнозирования, таких как Pangu-Weather (Huawei) и GraphCast от DeepMind. Эти модели имеют тот же уровень точности, что и обычные GCM для детерминированного прогнозирования — метода создания единого прогноза погоды. Но GCM не надежны для ансамблевого прогнозирования или долгосрочного прогнозирования климата.

Проблема с чистыми методами машинного обучения заключается в том, что вы обучаете его только на данных, которые он уже видел. Климат постоянно меняется, принося беспрецедентные факты, поэтому модели машинного обучения должны также экстраполировать в это неизвестное будущее. Включая физику в модель, ученые могут гарантировать, что алгоритмы смогут выдавать более точные прогнозы.

«Гибридная модель»

Это идея проекта по разработке и обучению NeuralGCM, модели, которая сочетает в себе «аспекты традиционных атмосферных решателей на основе физики с некоторыми компонентами ИИ». Инженеры использовали эту модель для составления краткосрочных и долгосрочных прогнозов погоды, а также климатических предсказаний. Чтобы оценить точность NeuralGCM, исследователи сравнили прогнозы модели с реальными данными, а также с результатами других моделей, включая GCM и несколько моделей. Полностью основано на машинном обучении.

Как и современные модели машинного обучения, NeuralGCM может предоставлять точные краткосрочные прогнозы погоды — на один-три дня вперед — потребляя при этом лишь часть мощности GCM. Кроме того, он также допускает гораздо меньше ошибок, чем другие модели машинного обучения, при составлении долгосрочных прогнозов на срок более семи дней. Фактически, долгосрочные прогнозы NeuralGCM аналогичны тем, которые выдает ансамблевая модель Европейского центра среднесрочных прогнозов погоды (ECMWF-ENS), которая является GCM, широко считающейся золотым стандартом в прогнозировании погоды.

Команда также проверила, насколько хорошо модель может предсказывать различные погодные явления, такие как тропические штормы. Они обнаружили, что многие модели чистого машинного обучения давали непоследовательные и неточные прогнозы по сравнению с NeuralGCM и ECMWF-ENS. Исследователи даже сравнили NeuralGCM с климатическими моделями сверхвысокого разрешения, называемыми глобальными моделями разрешения штормов. В результате NeuralGCM может выдавать более реалистичные числа и траектории тропических штормов за меньшее время.

Предстоящая цель команды — дальнейшее улучшение и настройка производительности NeuralGCM, в основном фокусируясь на атмосферном компоненте для моделирования системы Земли. Это, вероятно, компонент, который наиболее непосредственно влияет на временной период. дневной период.

Джессика Таннер