Google DeepMind AI Nails Super nøjagtige 10-dages vejrudsigter

Dette år var en nonstop parade ekstreme vejrbegivenheder. En hidtil uset varme fejede over kloden. Den her sommer var jordens varmeste siden 1880. Fra lynoversvømmelser i Californien og isstorme i Texas til ødelæggende skovbrande i Maui og Canada har vejrrelaterede begivenheder dybt påvirket liv og samfund.

Hvert sekund tæller, når det kommer til at forudsige disse begivenheder. AI kunne hjælpe.

I denne uge, Google DeepMind udgivet en AI der leverer 10-dages vejrudsigter med hidtil uset nøjagtighed og hastighed. Kaldet GraphCast, modellen kan churn gennem hundredvis af vejr-relaterede datapunkter for en given placering og generere forudsigelser på under et minut. Når den udfordres med over tusind potentielle vejrmønstre, slog AI'en state-of-the-art systemer omkring 90 procent af tiden.

Men GraphCast handler ikke kun om at bygge en mere præcis vejr-app til at vælge garderobeskabe.

Selvom den ikke er eksplicit trænet til at opdage ekstreme vejrmønstre, opfangede AI adskillige atmosfæriske begivenheder forbundet med disse mønstre. Sammenlignet med tidligere metoder sporede den mere nøjagtigt cyklonbaner og opdagede atmosfæriske floder - senede områder i atmosfæren forbundet med oversvømmelser.

GraphCast forudsagde også begyndelsen af ​​ekstreme temperaturer i god tid før de nuværende metoder. Med 2024 bliver endnu varmere og ekstreme vejrbegivenheder i stigning, kan AI's forudsigelser give samfund værdifuld tid til at forberede sig og potentielt redde liv.

"GraphCast er nu det mest nøjagtige 10-dages globale vejrudsigtssystem i verden og kan forudsige ekstreme vejrbegivenheder længere ud i fremtiden, end det tidligere var muligt," forfatterne skrev i et DeepMind blogindlæg.

Regnfulde dage

At forudsige vejrmønstre, selv blot en uge frem, er et gammelt, men ekstremt udfordrende problem. Vi baserer mange beslutninger på disse prognoser. Nogle er indlejret i vores hverdag: Skal jeg have fat i min paraply i dag? Andre beslutninger er liv eller død, f.eks. hvornår man skal udstede ordrer om at evakuere eller tage husly på plads.

Vores nuværende prognosesoftware er i høj grad baseret på fysiske modeller af jordens atmosfære. Ved at undersøge vejrsystemernes fysik har videnskabsmænd skrevet en række ligninger fra årtiers data, som derefter føres ind i supercomputere for at generere forudsigelser.

Et fremtrædende eksempel er det integrerede prognosesystem ved European Center for Medium-Range Weather Forecasts. Systemet bruger sofistikerede beregninger baseret på vores nuværende forståelse af vejrmønstre til at udsende forudsigelser hver sjette time, hvilket giver verden nogle af de mest nøjagtige vejrudsigter, der findes.

Dette system "og moderne vejrudsigt mere generelt er triumfer for videnskab og teknik," skrev DeepMind-teamet.

I årenes løb er fysikbaserede metoder hurtigt forbedret i nøjagtighed, delvist takket være mere kraftfulde computere. Men de forbliver tidskrævende og dyre.

Det er ikke overraskende. Vejret er et af de mest komplekse fysiske systemer på Jorden. Du har måske hørt om sommerfugleeffekten: En sommerfugl slår med vingerne, og denne lille ændring i atmosfæren ændrer en tornados bane. Selvom det kun er en metafor, fanger den kompleksiteten af ​​vejrudsigter.

GraphCast tog en anden tilgang. Glem fysik, lad os finde mønstre alene i tidligere vejrdata.

En AI-meteorolog

GraphCast bygger på en type neurale netværk som tidligere er blevet brugt til at forudsige andre fysik-baserede systemer, såsom væskedynamik.

Den har tre dele. Først kortlægger koderen relevant information - for eksempel temperatur og højde på et bestemt sted - på en indviklet graf. Tænk på dette som en abstrakt infografik, som maskiner nemt kan forstå.

Den anden del er processoren, som lærer at analysere og videregive information til den sidste del, dekoderen. Dekoderen oversætter derefter resultaterne til et vejrforudsigelseskort i den virkelige verden. Alt i alt kan GraphCast forudsige vejrmønstre for de næste seks timer.

Men seks timer er ikke 10 dage. Her er kickeren. AI kan lære af sine egne prognoser. GraphCasts forudsigelser føres tilbage til sig selv som input, hvilket gør det muligt gradvist at forudsige vejret længere ude i tiden. Det er en metode, der også bruges i traditionelle vejrudsigelsessystemer, skrev holdet.

GraphCast blev trænet på næsten fire årtiers historiske vejrdata. Ved at tage en del-og-hersk-strategi opdelte holdet planeten i små områder, omkring 17 gange 17 miles ved ækvator. Dette resulterede i mere end en million "point", der dækkede kloden.

For hvert punkt blev AI trænet med data indsamlet på to tidspunkter - den ene strøm, den anden for seks timer siden - og inkluderede snesevis af variabler fra jordens overflade og atmosfære - som temperatur, fugtighed og vindhastighed og -retning i mange forskellige højder

Uddannelsen var beregningsintensiv og tog en måned at gennemføre.

Når først den er trænet, er AI i sig selv meget effektiv. Den kan producere en 10-dages prognose med en enkelt TPU på under et minut. Traditionelle metoder, der bruger supercomputere, kræver timers beregning, forklarede teamet.

Ray of Light

For at teste sine evner stillede holdet GraphCast op imod den nuværende guldstandard for vejrudsigelse.

AI var mere nøjagtig næsten 90 procent af tiden. Den udmærkede sig især, når den kun var afhængig af data fra troposfæren - det atmosfærelag, der er tættest på Jorden og afgørende for vejrudsigten - og slog konkurrenterne 99.7 procent af tiden. GraphCast klarede sig også bedre Pangu-vejr, en topkonkurrerende vejrmodel, der bruger maskinlæring.

Holdet testede derefter GraphCast i flere farlige vejrscenarier: sporing af tropiske cykloner, registrering af atmosfæriske floder og forudsigelse af ekstrem varme og kulde. Selvom den ikke er trænet i specifikke "advarselstegn", slog AI alarmen tidligere end traditionelle modeller.

Modellen havde også hjælp fra klassisk meteorologi. For eksempel tilføjede holdet eksisterende cyklonsporingssoftware til GraphCasts prognoser. Kombinationen gav pote. I september forudsagde AI med succes orkanen Lee's bane, da den fejede op over østkysten mod Nova Scotia. Systemet forudsagde nøjagtigt stormens landgang ni dage i forvejen - tre dyrebare dage hurtigere end traditionelle prognosemetoder.

GraphCast vil ikke erstatte traditionelle fysik-baserede modeller. DeepMind håber snarere, at det kan styrke dem. Det europæiske center for vejrudsigter på mellemlang rækkevidde eksperimenterer allerede med modellen for at se, hvordan det kunne integreres i deres forudsigelser. DeepMind arbejder også på at forbedre AI'ens evne til at håndtere usikkerhed - et kritisk behov i betragtning af vejrets stadig mere uforudsigelige adfærd.

GraphCast er ikke den eneste AI-vejrmand. DeepMind og Google-forskere byggede tidligere to regional modeller der nøjagtigt kan forudsige kortsigtet vejr 90 minutter eller 24 timer frem. GraphCast kan dog se længere frem. Når den bruges sammen med standard vejrsoftware, kan kombinationen påvirke beslutninger om vejrnødsituationer eller vejlede klimapolitikker. I det mindste kan vi føle os mere sikre på beslutningen om at bringe den paraply til at fungere.

"Vi mener, at dette markerer et vendepunkt i vejrudsigten," skrev forfatterne.

Billede Credit: Google DeepMind

• SEO Powered Content & PR Distribution. Bliv forstærket i dag.
• PlatoData.Network Vertical Generative Ai. Styrk dig selv. Adgang her.
• PlatoAiStream. Web3 intelligens. Viden forstærket. Adgang her.
• PlatoESG. Kulstof, CleanTech, Energi, Miljø, Solenergi, Affaldshåndtering. Adgang her.
• PlatoHealth. Bioteknologiske og kliniske forsøgs intelligens. Adgang her.
• Kilde: https://singularityhub.com/2023/11/16/google-deepmind-ai-nails-super-accurate-10-day-weather-forecasts/