پیش‌بینی آب و هوای ۱۰ روزه Google DeepMind AI Nails

امسال بود یک رژه بی وقفه از رویدادهای شدید آب و هوایی گرمای بی سابقه ای جهان را فرا گرفت. تابستان امسال گرم ترین کره زمین بود از سال 1880. از سیل‌های ناگهانی در کالیفرنیا و طوفان‌های یخ در تگزاس تا آتش‌سوزی‌های ویرانگر در مائوئی و کانادا، رویدادهای مرتبط با آب‌وهوا عمیقاً بر زندگی و جوامع تأثیر گذاشت.

هر ثانیه برای پیش بینی این رویدادها مهم است. هوش مصنوعی می تواند کمک کند.

این هفته، Google DeepMind هوش مصنوعی منتشر کرد که پیش بینی های آب و هوای 10 روزه را با دقت و سرعت بی سابقه ای ارائه می دهد. این مدل که GraphCast نام دارد، می‌تواند از طریق صدها نقطه داده مرتبط با آب و هوا برای یک مکان معین عبور کند و در کمتر از یک دقیقه پیش‌بینی کند. هنگامی که با بیش از هزار الگوی آب و هوایی بالقوه مواجه شد، هوش مصنوعی تقریباً 90 درصد مواقع سیستم‌های پیشرفته را شکست داد.

اما GraphCast فقط ساخت یک برنامه آب و هوای دقیق تر برای انتخاب کمد لباس نیست.

اگرچه هوش مصنوعی برای تشخیص الگوهای آب و هوایی شدید آموزش ندیده است، اما چندین رویداد جوی مرتبط با این الگوها را شناسایی کرده است. در مقایسه با روش‌های قبلی، مسیرهای طوفان را با دقت بیشتری ردیابی کرد و رودخانه‌های جوی را شناسایی کرد - مناطق پر پیچ و خم در جو مرتبط با سیل.

GraphCast همچنین شروع دماهای شدید را قبل از روش های فعلی پیش بینی کرد. با سال 2024 حتی گرمتر خواهد بود و رویدادهای شدید آب و هوایی در حال افزایش، پیش‌بینی‌های هوش مصنوعی می‌تواند به جوامع زمان ارزشمندی برای آماده‌سازی و نجات جان افراد بدهد.

نویسندگان "گراف کست اکنون دقیق ترین سیستم پیش بینی آب و هوای جهانی 10 روزه در جهان است و می تواند رویدادهای شدید آب و هوایی را در آینده بیشتر از آنچه قبلا ممکن بود پیش بینی کند." نوشت در یک پست وبلاگ DeepMind.

روزهای بارانی

پیش‌بینی الگوهای آب و هوا، حتی یک هفته پیش‌تر، یک مشکل قدیمی اما بسیار چالش برانگیز است. ما بسیاری از تصمیمات را بر اساس این پیش بینی ها قرار می دهیم. برخی از آنها در زندگی روزمره ما گنجانده شده اند: آیا امروز باید چترم را بگیرم؟ تصمیمات دیگر زندگی یا مرگ هستند، مانند زمان صدور دستور تخلیه یا پناه گرفتن در محل.

نرم افزار پیش بینی فعلی ما عمدتاً بر اساس مدل های فیزیکی جو زمین است. دانشمندان با بررسی فیزیک سیستم های آب و هوا، تعدادی معادله از چندین دهه داده نوشته اند که سپس برای ایجاد پیش بینی به ابررایانه ها وارد می شود.

یک مثال برجسته سیستم پیش بینی یکپارچه در مرکز اروپا برای پیش بینی هوای متوسط ​​است. این سیستم از محاسبات پیچیده بر اساس درک فعلی ما از الگوهای آب و هوا استفاده می کند تا هر شش ساعت یک بار پیش بینی کند و برخی از دقیق ترین پیش بینی های آب و هوا را در اختیار جهان قرار دهد.

تیم DeepMind نوشت: این سیستم «و به طور کلی پیش‌بینی آب و هوای مدرن، پیروزی علم و مهندسی است».

در طول سال‌ها، روش‌های مبتنی بر فیزیک به سرعت در دقت بهبود یافته‌اند، تا حدی به لطف رایانه‌های قدرتمندتر. اما همچنان زمان بر و پرهزینه هستند.

این تعجب آور نیست. آب و هوا یکی از پیچیده ترین سیستم های فیزیکی روی زمین است. ممکن است در مورد اثر پروانه ای شنیده باشید: یک پروانه بال های خود را تکان می دهد و این تغییر کوچک در جو مسیر یک گردباد را تغییر می دهد. در حالی که فقط یک استعاره است، پیچیدگی پیش بینی آب و هوا را به تصویر می کشد.

GraphCast رویکرد متفاوتی در پیش گرفت. فیزیک را فراموش کنید، بیایید الگوها را تنها در داده های آب و هوای گذشته پیدا کنیم.

هواشناس هوش مصنوعی

GraphCast بر اساس نوعی از شبکه های عصبی که قبلاً برای پیش‌بینی سایر سیستم‌های مبتنی بر فیزیک، مانند دینامیک سیالات، استفاده می‌شد.

سه قسمت دارد. ابتدا، رمزگذار اطلاعات مربوطه - مثلا دما و ارتفاع در یک مکان خاص - را بر روی یک نمودار پیچیده ترسیم می کند. به این به عنوان یک اینفوگرافیک انتزاعی فکر کنید که ماشین ها به راحتی می توانند آن را درک کنند.

بخش دوم پردازنده ای است که یاد می گیرد اطلاعات را تجزیه و تحلیل کند و به قسمت نهایی یعنی رمزگشا منتقل کند. سپس رمزگشا نتایج را به یک نقشه پیش بینی آب و هوا در دنیای واقعی ترجمه می کند. در مجموع، GraphCast می تواند الگوهای آب و هوا را برای شش ساعت آینده پیش بینی کند.

اما شش ساعت 10 روز نیست. این ضربه زننده است. هوش مصنوعی می تواند از پیش بینی های خود درس بگیرد. پیش‌بینی‌های GraphCast به عنوان ورودی به خود بازگردانده می‌شوند و به آن اجازه می‌دهند به تدریج آب و هوا را در زمان بیشتری پیش‌بینی کنند. این تیم نوشت، این روشی است که در سیستم های سنتی پیش بینی آب و هوا نیز استفاده می شود.

GraphCast با نزدیک به چهار دهه داده های تاریخی آب و هوا آموزش داده شد. این تیم با اتخاذ یک استراتژی تقسیم کن، سیاره را به تکه های کوچک، تقریباً 17 در 17 مایل در خط استوا تقسیم کردند. این منجر به بیش از یک میلیون "نقطه" در سراسر جهان شد.

برای هر نقطه، هوش مصنوعی با داده‌های جمع‌آوری‌شده در دو زمان آموزش داده شد - یکی جریان، دیگری شش ساعت پیش - و شامل ده‌ها متغیر از سطح و جو زمین - مانند دما، رطوبت، و سرعت و جهت باد در ارتفاعات مختلف بود.

این آموزش از نظر محاسباتی فشرده بود و یک ماه طول کشید تا تکمیل شود.

با این حال، پس از آموزش، هوش مصنوعی به خودی خود بسیار کارآمد است. این می تواند یک پیش بینی 10 روزه با یک TPU واحد در کمتر از یک دقیقه ایجاد کند. این تیم توضیح داد که روش های سنتی با استفاده از ابررایانه ها ساعت ها محاسبه می شود.

اشعه نور

این تیم برای آزمایش توانایی های آن، GraphCast را در مقابل استاندارد طلایی فعلی برای پیش بینی آب و هوا قرار داد.

هوش مصنوعی تقریباً 90 درصد مواقع دقیق تر بود. به ویژه زمانی که تنها بر داده‌های تروپوسفر تکیه می‌کرد - نزدیک‌ترین لایه اتمسفر به زمین و برای پیش‌بینی آب‌وهوا حیاتی است - 99.7 درصد از مواقع رقابت را شکست داد. GraphCast نیز بهتر عمل کرد پانگو-آب و هوا، یک مدل آب و هوای رقیب برتر که از یادگیری ماشینی استفاده می کند.

این تیم سپس GraphCast را در چندین سناریو آب و هوایی خطرناک آزمایش کرد: ردیابی طوفان های استوایی، شناسایی رودخانه های جوی، و پیش بینی گرما و سرمای شدید. اگرچه هوش مصنوعی روی «علائم هشداردهنده» خاص آموزش ندیده بود، اما زودتر از مدل‌های سنتی زنگ هشدار را به صدا درآورد.

این مدل همچنین از هواشناسی کلاسیک کمک گرفت. به عنوان مثال، تیم نرم افزار ردیابی طوفان موجود را به پیش بینی های GraphCast اضافه کرد. این ترکیب نتیجه داد. در ماه سپتامبر، هوش مصنوعی با موفقیت مسیر طوفان لی را در حالی که سواحل شرقی به سمت نوا اسکوشیا را در نوردید، پیش بینی کرد. این سیستم نه روز قبل از وقوع طوفان به خشکی را به دقت پیش‌بینی می‌کرد - سه روز گرانبها سریع‌تر از روش‌های پیش‌بینی سنتی.

GraphCast جایگزین مدل های سنتی مبتنی بر فیزیک نمی شود. در عوض، DeepMind امیدوار است که بتواند آنها را تقویت کند. مرکز اروپا برای پیش بینی هوای متوسط در حال حاضر با مدل آزمایش می کند تا ببینند چگونه می توان آن را در پیش بینی های آنها ادغام کرد. DeepMind همچنین در حال تلاش برای بهبود توانایی هوش مصنوعی برای کنترل عدم قطعیت است - یک نیاز حیاتی با توجه به رفتار غیرقابل پیش بینی فزاینده آب و هوا.

GraphCast تنها هواشناس هوش مصنوعی نیست. محققان DeepMind و Google قبلاً دو مورد را ساخته بودند منطقهای مدل که می تواند به طور دقیق آب و هوای کوتاه مدت را 90 دقیقه یا 24 ساعت آینده پیش بینی کند. با این حال، GraphCast می تواند جلوتر را نگاه کند. هنگامی که با نرم افزار استاندارد آب و هوا استفاده می شود، این ترکیب می تواند بر تصمیم گیری در مورد شرایط اضطراری آب و هوا تأثیر بگذارد یا سیاست های آب و هوایی را هدایت کند. حداقل، ممکن است نسبت به تصمیم برای به کار انداختن آن چتر اطمینان بیشتری داشته باشیم.

نویسندگان نوشتند: "ما معتقدیم که این نقطه عطفی در پیش بینی آب و هوا است."

تصویر های اعتباری: Google DeepMind

• محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
• PlatoData.Network Vertical Generative Ai. به خودت قدرت بده دسترسی به اینجا.
• PlatoAiStream. هوش وب 3 دانش تقویت شده دسترسی به اینجا.
• PlatoESG. کربن ، CleanTech، انرژی، محیط، خورشیدی، مدیریت پسماند دسترسی به اینجا.
• PlatoHealth. هوش بیوتکنولوژی و آزمایشات بالینی. دسترسی به اینجا.
• منبع: https://singularityhub.com/2023/11/16/google-deepmind-ai-nails-super-accurate-10-day-weather-forecasts/