Google DeepMind AI Nails Υπερακριβείς καιρικές προβλέψεις 10 ημερών

Φέτος ήταν μια ασταμάτητη παρέλαση των ακραίων καιρικών φαινομένων. Πρωτοφανής ζέστη σάρωσε την υδρόγειο. Αυτό το καλοκαίρι ήταν το πιο ζεστό της Γης από το 1880. Από τις ξαφνικές πλημμύρες στην Καλιφόρνια και τις καταιγίδες πάγου στο Τέξας μέχρι τις καταστροφικές πυρκαγιές στο Μάουι και τον Καναδά, τα καιρικά φαινόμενα επηρέασαν βαθιά ζωές και κοινότητες.

Κάθε δευτερόλεπτο μετράει όταν πρόκειται για την πρόβλεψη αυτών των γεγονότων. Το AI θα μπορούσε να βοηθήσει.

Αυτή την εβδομάδα, το Google DeepMind κυκλοφόρησε ένα AI που παρέχει προγνώσεις καιρού 10 ημερών με πρωτοφανή ακρίβεια και ταχύτητα. Ονομάζεται GraphCast, το μοντέλο μπορεί να διασχίσει εκατοντάδες σημεία δεδομένων που σχετίζονται με τον καιρό για μια δεδομένη τοποθεσία και να δημιουργήσει προβλέψεις σε λιγότερο από ένα λεπτό. Όταν αντιμετωπίζεται με περισσότερα από χίλια πιθανά καιρικά μοτίβα, η τεχνητή νοημοσύνη κέρδισε τα υπερσύγχρονα συστήματα περίπου στο 90 τοις εκατό του χρόνου.

Αλλά το GraphCast δεν έχει να κάνει μόνο με τη δημιουργία μιας πιο ακριβούς εφαρμογής καιρού για την επιλογή ντουλάπας.

Αν και δεν ήταν ρητά εκπαιδευμένο να ανιχνεύει ακραία καιρικά μοτίβα, το AI εντόπισε αρκετά ατμοσφαιρικά γεγονότα που συνδέονται με αυτά τα μοτίβα. Σε σύγκριση με προηγούμενες μεθόδους, παρακολούθησε με μεγαλύτερη ακρίβεια τις τροχιές των κυκλώνων και ανίχνευσε ατμοσφαιρικούς ποταμούς - ραγώδεις περιοχές στην ατμόσφαιρα που σχετίζονται με πλημμύρες.

Το GraphCast προέβλεψε επίσης την έναρξη ακραίων θερμοκρασιών πολύ πριν από τις τρέχουσες μεθόδους. Με Το 2024 αναμένεται να είναι ακόμα πιο ζεστό και τα ακραία καιρικά φαινόμενα σε άνοδο, οι προβλέψεις του AI θα μπορούσαν να δώσουν στις κοινότητες πολύτιμο χρόνο για να προετοιμαστούν και ενδεχομένως να σώσουν ζωές.

"Το GraphCast είναι τώρα το πιο ακριβές παγκόσμιο σύστημα πρόγνωσης καιρού 10 ημερών στον κόσμο και μπορεί να προβλέψει ακραία καιρικά φαινόμενα πιο μακριά στο μέλλον από ό,τι ήταν προηγουμένως δυνατό", οι συγγραφείς Έγραψε σε μια ανάρτηση ιστολογίου του DeepMind.

Βροχερές μέρες

Η πρόβλεψη των καιρικών συνθηκών, ακόμη και μόλις μια εβδομάδα μπροστά, είναι ένα παλιό αλλά εξαιρετικά δύσκολο πρόβλημα. Βασίζουμε πολλές αποφάσεις σε αυτές τις προβλέψεις. Κάποια είναι ενσωματωμένα στην καθημερινότητά μας: Να πιάσω την ομπρέλα μου σήμερα; Άλλες αποφάσεις είναι η ζωή ή ο θάνατος, όπως το πότε πρέπει να εκδοθούν εντολές για εκκένωση ή καταφύγιο.

Το τρέχον λογισμικό προβλέψεων μας βασίζεται σε μεγάλο βαθμό σε φυσικά μοντέλα της ατμόσφαιρας της Γης. Εξετάζοντας τη φυσική των καιρικών συστημάτων, οι επιστήμονες έχουν γράψει έναν αριθμό εξισώσεων από δεδομένα δεκαετιών, τα οποία στη συνέχεια τροφοδοτούνται σε υπερυπολογιστές για να δημιουργήσουν προβλέψεις.

Χαρακτηριστικό παράδειγμα είναι το Ολοκληρωμένο Σύστημα Πρόβλεψης στο Ευρωπαϊκό Κέντρο Μεσοπρόθεσμων Προγνώσεων Καιρού. Το σύστημα χρησιμοποιεί εξελιγμένους υπολογισμούς που βασίζονται στην τρέχουσα κατανόησή μας για τα καιρικά μοτίβα για να παράγει προβλέψεις κάθε έξι ώρες, παρέχοντας στον κόσμο μερικές από τις πιο ακριβείς διαθέσιμες προβλέψεις καιρού.

Αυτό το σύστημα «και γενικότερα η σύγχρονη πρόβλεψη καιρού, είναι θρίαμβοι της επιστήμης και της μηχανικής», έγραψε η ομάδα του DeepMind.

Με τα χρόνια, οι μέθοδοι που βασίζονται στη φυσική έχουν βελτιωθεί γρήγορα στην ακρίβεια, εν μέρει χάρη στους ισχυρότερους υπολογιστές. Όμως παραμένουν χρονοβόρα και δαπανηρά.

Αυτό δεν αποτελεί έκπληξη. Ο καιρός είναι ένα από τα πιο περίπλοκα φυσικά συστήματα στη Γη. Ίσως έχετε ακούσει για το φαινόμενο της πεταλούδας: Μια πεταλούδα χτυπά τα φτερά της και αυτή η μικροσκοπική αλλαγή στην ατμόσφαιρα αλλάζει την τροχιά ενός ανεμοστρόβιλου. Αν και είναι απλώς μια μεταφορά, αποτυπώνει την πολυπλοκότητα της πρόβλεψης καιρού.

Το GraphCast ακολούθησε μια διαφορετική προσέγγιση. Ξεχάστε τη φυσική, ας βρούμε μοτίβα μόνο στα προηγούμενα δεδομένα καιρού.

Μετεωρολόγος AI

Το GraphCast βασίζεται σε έναν τύπο νευρικό σύστημα που είχε χρησιμοποιηθεί στο παρελθόν για την πρόβλεψη άλλων συστημάτων που βασίζονται στη φυσική, όπως η δυναμική των ρευστών.

Έχει τρία μέρη. Πρώτον, ο κωδικοποιητής αντιστοιχίζει σχετικές πληροφορίες - ας πούμε, θερμοκρασία και υψόμετρο σε μια συγκεκριμένη τοποθεσία - σε ένα περίπλοκο γράφημα. Σκεφτείτε αυτό ως ένα αφηρημένο infographic που οι μηχανές μπορούν εύκολα να κατανοήσουν.

Το δεύτερο μέρος είναι ο επεξεργαστής που μαθαίνει να αναλύει και να περνάει πληροφορίες στο τελικό μέρος, τον αποκωδικοποιητή. Ο αποκωδικοποιητής στη συνέχεια μεταφράζει τα αποτελέσματα σε έναν πραγματικό χάρτη πρόβλεψης καιρού. Συνολικά, το GraphCast μπορεί να προβλέψει τα μοτίβα του καιρού για τις επόμενες έξι ώρες.

Αλλά έξι ώρες δεν είναι 10 μέρες. Εδώ είναι το kicker. Το AI μπορεί να μάθει από τις δικές του προβλέψεις. Οι προβλέψεις του GraphCast ανατροφοδοτούνται από τον εαυτό τους ως είσοδος, επιτρέποντάς του να προβλέπει σταδιακά τον καιρό περαιτέρω στο χρόνο. Είναι μια μέθοδος που χρησιμοποιείται επίσης σε παραδοσιακά συστήματα πρόβλεψης καιρού, έγραψε η ομάδα.

Το GraphCast εκπαιδεύτηκε σε σχεδόν τέσσερις δεκαετίες ιστορικών καιρικών δεδομένων. Ακολουθώντας μια στρατηγική διαίρει και βασίλευε, η ομάδα χώρισε τον πλανήτη σε μικρά κομμάτια, περίπου 17 επί 17 μίλια στον ισημερινό. Αυτό είχε ως αποτέλεσμα περισσότερα από ένα εκατομμύριο «σημεία» να καλύπτουν τον κόσμο.

Για κάθε σημείο, η τεχνητή νοημοσύνη εκπαιδεύτηκε με δεδομένα που συλλέχθηκαν σε δύο φορές - το ένα ρεύμα, το άλλο πριν από έξι ώρες - και περιλάμβανε δεκάδες μεταβλητές από την επιφάνεια και την ατμόσφαιρα της Γης - όπως θερμοκρασία, υγρασία και ταχύτητα και κατεύθυνση ανέμου σε πολλά διαφορετικά υψόμετρα

Η εκπαίδευση ήταν υπολογιστικά εντατική και χρειάστηκε ένα μήνα για να ολοκληρωθεί.

Μόλις εκπαιδευτεί, ωστόσο, το ίδιο το AI είναι εξαιρετικά αποδοτικό. Μπορεί να παράγει μια πρόβλεψη 10 ημερών με μία μόνο TPU σε λιγότερο από ένα λεπτό. Οι παραδοσιακές μέθοδοι που χρησιμοποιούν υπερυπολογιστές απαιτούν ώρες υπολογισμού, εξήγησε η ομάδα.

Ray of Light

Για να δοκιμάσει τις ικανότητές του, η ομάδα έβαλε το GraphCast με το τρέχον χρυσό πρότυπο για την πρόβλεψη καιρού.

Το AI ήταν πιο ακριβές σχεδόν στο 90 τοις εκατό του χρόνου. Διέπρεψε ιδιαίτερα όταν βασιζόταν μόνο σε δεδομένα από την τροπόσφαιρα - το στρώμα της ατμόσφαιρας που βρίσκεται πιο κοντά στη Γη και είναι κρίσιμο για την πρόγνωση του καιρού - ξεπερνώντας τον ανταγωνισμό κατά 99.7 τοις εκατό των περιπτώσεων. Το GraphCast είχε επίσης καλύτερη απόδοση Pangu-Καιρός, ένα κορυφαίο ανταγωνιστικό μοντέλο καιρού που χρησιμοποιεί μηχανική εκμάθηση.

Στη συνέχεια, η ομάδα δοκίμασε το GraphCast σε πολλά επικίνδυνα καιρικά σενάρια: παρακολούθηση τροπικών κυκλώνων, ανίχνευση ατμοσφαιρικών ποταμών και πρόβλεψη ακραίας ζέστης και κρύου. Αν και δεν είχε εκπαιδευτεί σε συγκεκριμένα «προειδοποιητικά σήματα», η τεχνητή νοημοσύνη σήμανε συναγερμό νωρίτερα από τα παραδοσιακά μοντέλα.

Το μοντέλο είχε βοήθεια και από την κλασική μετεωρολογία. Για παράδειγμα, η ομάδα πρόσθεσε υπάρχον λογισμικό παρακολούθησης κυκλώνων στις προβλέψεις του GraphCast. Ο συνδυασμός απέδωσε. Τον Σεπτέμβριο, η τεχνητή νοημοσύνη προέβλεψε με επιτυχία την τροχιά του τυφώνα Λι καθώς παρέσυρε την ανατολική ακτή προς τη Νέα Σκωτία. Το σύστημα προέβλεψε με ακρίβεια την πτώση της καταιγίδας εννέα ημέρες νωρίτερα—τρεις πολύτιμες ημέρες γρηγορότερα από τις παραδοσιακές μεθόδους πρόβλεψης.

Το GraphCast δεν θα αντικαταστήσει τα παραδοσιακά μοντέλα που βασίζονται στη φυσική. Αντίθετα, η DeepMind ελπίζει ότι μπορεί να τους ενισχύσει. Το Ευρωπαϊκό Κέντρο Προγνώσεων Καιρού Μεσαίου Εύρους πειραματίζεται ήδη με το μοντέλο για να δουν πώς θα μπορούσε να ενσωματωθεί στις προβλέψεις τους. Η DeepMind εργάζεται επίσης για να βελτιώσει την ικανότητα του AI να χειρίζεται την αβεβαιότητα - μια κρίσιμη ανάγκη δεδομένης της ολοένα και πιο απρόβλεπτης συμπεριφοράς του καιρού.

Το GraphCast δεν είναι ο μόνος μετεωρολόγος τεχνητής νοημοσύνης. Οι ερευνητές της DeepMind και της Google έχτισαν προηγουμένως δύο περιφερειακός μοντέλα που μπορεί να προβλέψει με ακρίβεια τον βραχυπρόθεσμο καιρό 90 λεπτά ή 24 ώρες μπροστά. Ωστόσο, το GraphCast μπορεί να κοιτάξει πιο μπροστά. Όταν χρησιμοποιείται με τυπικό λογισμικό καιρού, ο συνδυασμός θα μπορούσε να επηρεάσει τις αποφάσεις για έκτακτες καιρικές συνθήκες ή να κατευθύνει πολιτικές για το κλίμα. Τουλάχιστον, ίσως νιώθουμε πιο σίγουροι για την απόφαση να φέρουμε αυτή την ομπρέλα στη δουλειά.

«Πιστεύουμε ότι αυτό σηματοδοτεί ένα σημείο καμπής στην πρόγνωση του καιρού», έγραψαν οι συγγραφείς.

Image Credit: Google DeepMind

• SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
• PlatoData.Network Vertical Generative Ai. Ενδυναμώστε τον εαυτό σας. Πρόσβαση εδώ.
• PlatoAiStream. Web3 Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
• PlatoESG. Ανθρακας, Cleantech, Ενέργεια, Περιβάλλον, Ηλιακός, Διαχείριση των αποβλήτων. Πρόσβαση εδώ.
• PlatoHealth. Ευφυΐα βιοτεχνολογίας και κλινικών δοκιμών. Πρόσβαση εδώ.
• πηγή: https://singularityhub.com/2023/11/16/google-deepmind-ai-nails-super-accurate-10-day-weather-forecasts/