Google DeepMind AI Nails ülitäpsed 10-päevased ilmaennustused

Sel aastal oli vahetu paraad äärmuslike ilmastikunähtuste kohta. Maakera pühkis enneolematu kuumus. See suvi oli Maa kuumim Alates 1880. aastast. Alates äkilistest üleujutustest Californias ja jäätormidest Texases kuni laastavate metsatulekahjudeni Mauis ja Kanadas on ilmastikuga seotud sündmused sügavalt mõjutanud elusid ja kogukondi.

Nende sündmuste ennustamisel loeb iga sekund. AI võiks aidata.

Sel nädalal Google DeepMind andis välja AI mis edastab 10-päevase ilmaprognoosi enneolematu täpsuse ja kiirusega. GraphCastiks kutsutud mudel suudab antud asukoha kohta läbida sadu ilmastikuga seotud andmepunkte ja luua prognoose vähem kui minutiga. Üle tuhande võimaliku ilmastikunähtuse korral ületab AI tipptasemel süsteeme ligikaudu 90 protsenti ajast.

Kuid GraphCast ei seisne ainult garderoobide valimiseks täpsema ilmarakenduse loomises.

Ehkki tehisintellekt ei olnud spetsiaalselt koolitatud äärmuslike ilmastikumustrite tuvastamiseks, tuvastas AI mitmeid nende mustritega seotud atmosfäärisündmusi. Võrreldes varasemate meetoditega jälgis see täpsemalt tsüklonite trajektoore ja tuvastas atmosfääri jõgesid – üleujutustega seotud kõõluseid piirkondi atmosfääris.

GraphCast ennustas ka äärmuslike temperatuuride tekkimist palju enne praegusi meetodeid. Koos 2024 tuleb veelgi soojem ja äärmuslikud ilmastikunähtused võivad AI ennustused anda kogukondadele väärtuslikku aega valmistumiseks ja potentsiaalselt elude päästmiseks.

"GraphCast on nüüd kõige täpsem 10-päevane globaalne ilmaennustussüsteem maailmas ja suudab ennustada äärmuslikke ilmastikunähtusi kaugemale tulevikku, kui see varem võimalik oli," kirjutasid autorid. kirjutas DeepMindi ajaveebi postituses.

Vihmased päevad

Ilmamustrite ennustamine, isegi vaid nädal ette, on vana, kuid äärmiselt keeruline probleem. Paljude otsuste aluseks on need prognoosid. Mõned neist on meie igapäevaelus juurdunud: kas ma peaksin täna oma vihmavarju haarama? Teised otsused on seotud elu või surmaga, näiteks millal anda evakueerimiskäsk või varjupaik.

Meie praegune prognoositarkvara põhineb suuresti Maa atmosfääri füüsilistel mudelitel. Teadlased on ilmasüsteemide füüsikat uurides kirjutanud aastakümnete pikkuste andmete põhjal hulga võrrandeid, mis seejärel ennustuste loomiseks superarvutitesse sisestatakse.

Silmapaistev näide on Euroopa Keskmise ulatusega ilmaennustuste keskuse integreeritud prognoosimissüsteem. Süsteem kasutab keerukaid arvutusi, mis põhinevad meie praegusel arusaamal ilmastikuoludest, et avaldada ennustusi iga kuue tunni järel, pakkudes maailmale kõige täpsemaid saadaolevaid ilmaprognoose.

See süsteem "ja kaasaegne ilmaennustamine üldisemalt on teaduse ja tehnika võidukäik," kirjutas DeepMindi meeskond.

Aastate jooksul on füüsikal põhinevate meetodite täpsus kiiresti paranenud, osaliselt tänu võimsamatele arvutitele. Kuid need on endiselt aeganõudvad ja kulukad.

See pole üllatav. Ilm on üks keerulisemaid füüsilisi süsteeme Maal. Võib-olla olete kuulnud liblikaefektist: liblikas lehvitab tiibu ja see väike muutus atmosfääris muudab tornaado trajektoori. Kuigi see on lihtsalt metafoor, kajastab see ilmaennustuse keerukust.

GraphCast kasutas teistsugust lähenemist. Unustage füüsika, leiame mustrid ainuüksi varasematest ilmaandmetest.

AI meteoroloog

GraphCast põhineb teatud tüübil Närvivõrgus mida on varem kasutatud teiste füüsikapõhiste süsteemide (nt vedeliku dünaamika) ennustamiseks.

Sellel on kolm osa. Esiteks kaardistab kodeerija asjakohase teabe – näiteks temperatuuri ja kõrguse teatud kohas – keerukale graafikule. Mõelge sellele kui abstraktsele infograafikule, millest masinad hõlpsasti aru saavad.

Teine osa on protsessor, mis õpib analüüsima ja edastama teavet viimasele osale, dekoodrile. Seejärel tõlgib dekooder tulemused reaalseks ilmaennustuskaardiks. Kokkuvõttes suudab GraphCast ennustada ilmastikutingimusi järgmise kuue tunni jooksul.

Kuid kuus tundi pole 10 päeva. Siin on löök. AI võib oma prognoosidest õppida. GraphCasti ennustused suunatakse sisendiks tagasi iseendasse, võimaldades tal järk-järgult ennustada ilmastikuolusid ajas kaugemal. See on meetod, mida kasutatakse ka traditsioonilistes ilmaennustussüsteemides, kirjutas meeskond.

GraphCasti koolitati peaaegu nelja aastakümne ajalooliste ilmaandmete põhjal. Kasutades jaga ja valluta strateegiat, jagas meeskond planeedi väikesteks laigudeks, ekvaatoril umbes 17 x 17 miili. Selle tulemuseks oli üle miljoni "punkti", mis kattis maakera.

Iga punkti jaoks treeniti tehisintellekti andmetega, mis koguti kahel korral – ühel voolul, teisel kuus tundi tagasi – ning see hõlmas kümneid muutujaid Maa pinnalt ja atmosfäärist – nagu temperatuur, niiskus ning tuule kiirus ja suund paljudel erinevatel kõrgustel.

Koolitus oli arvutusmahukas ja võttis aega kuu aega.

Kuid pärast koolitamist on AI ise väga tõhus. See suudab ühe TPU-ga koostada 10-päevase prognoosi vähem kui minutiga. Traditsioonilised superarvuteid kasutavad meetodid võtavad arvutamiseks tunde, selgitas meeskond.

Valguskiir

Oma võimete testimiseks seadis meeskond GraphCasti vastu praeguse ilmaennustuse kuldstandardi.

AI oli täpsem peaaegu 90 protsenti ajast. See paistis eriti hästi, kui tugines ainult troposfääri andmetele – Maale lähima atmosfäärikihi ja ilmaennustuse jaoks kriitilise tähtsusega kihtidest –, edestades konkurente 99.7 protsenti ajast. GraphCasti jõudlus oli samuti parem Pangu-Ilm, tipptasemel konkureeriv ilmamudel, mis kasutab masinõpet.

Järgmisena katsetas meeskond GraphCasti mitmes ohtlikus ilmastsenaariumis: troopiliste tsüklonite jälgimine, atmosfäärijõgede tuvastamine ning äärmusliku kuumuse ja külma ennustamine. Ehkki tehisintellekt ei olnud konkreetsete "hoiatusmärkide" järgi koolitatud, tõstis AI häiret varem kui traditsioonilised mudelid.

Mudelil oli abi ka klassikalisest meteoroloogiast. Näiteks lisas meeskond GraphCasti prognoosidesse olemasoleva tsüklonite jälgimise tarkvara. Kombinatsioon tasus end ära. Septembris ennustas tehisintellekt edukalt orkaan Lee trajektoori, kui see pühkis mööda idarannikut Nova Scotia poole. Süsteem ennustas täpselt tormi maabumist üheksa päeva ette – kolm väärtuslikku päeva kiiremini kui traditsioonilised prognoosimismeetodid.

GraphCast ei asenda traditsioonilisi füüsikapõhiseid mudeleid. Pigem loodab DeepMind, et see võib neid toetada. Euroopa Keskmise Ilmaennustuse Keskus katsetab juba mudeliga et näha, kuidas seda nende ennustustesse integreerida. DeepMind töötab ka selle nimel, et parandada tehisintellekti võimet tulla toime ebakindlusega – see on kriitilise tähtsusega vajadus, arvestades ilmastiku üha ettearvamatumat käitumist.

GraphCast pole ainus AI ilmatark. DeepMind ja Google'i teadlased ehitasid varem kaks piirkondlik mudelid mis suudab täpselt prognoosida lühiajalist ilma 90 minutit või 24 tundi ette. GraphCast võib aga vaadata kaugemale ette. Standardse ilmatarkvaraga kasutamisel võib kombinatsioon mõjutada ilmastikuolukordadega seotud otsuseid või suunata kliimapoliitikat. Vähemalt võime tunda end kindlamalt otsuses see vihmavari tööle panna.

"Usume, et see tähistab ilmaennustuses pöördepunkti," kirjutasid autorid.

Image Credit: Google DeepMind

• SEO-põhise sisu ja PR-levi. Võimenduge juba täna.
• PlatoData.Network Vertikaalne generatiivne Ai. Jõustage ennast. Juurdepääs siia.
• PlatoAiStream. Web3 luure. Täiustatud teadmised. Juurdepääs siia.
• PlatoESG. Süsinik, CleanTech, Energia, Keskkond päikeseenergia, Jäätmekäitluse. Juurdepääs siia.
• PlatoTervis. Biotehnoloogia ja kliiniliste uuringute luureandmed. Juurdepääs siia.
• Allikas: https://singularityhub.com/2023/11/16/google-deepmind-ai-nails-super-accurate-10-day-weather-forecasts/