Google DeepMind AI Nails erittäin tarkat 10 päivän sääennusteet

Tämä vuosi oli nonstop paraati äärimmäisistä sääilmiöistä. Ennennäkemätön lämpö pyyhkäisi maapallon. Tänä kesänä oli maapallon kuumin vuodesta 1880 lähtien. Kalifornian äkillisistä tulvista ja Texasin jäämyrskyistä tuhoisiin maastopaloihin Mauissa ja Kanadassa säähän liittyvät tapahtumat vaikuttivat syvästi ihmisten elämään ja yhteisöihin.

Jokainen sekunti on tärkeä, kun kyse on näiden tapahtumien ennustamisesta. AI voisi auttaa.

Tällä viikolla Google DeepMind julkaisi tekoälyn joka toimittaa 10 päivän sääennusteet ennennäkemättömän tarkasti ja nopeasti. GraphCast-niminen malli voi selata satoja säähän liittyviä tietopisteitä tietyssä paikassa ja luoda ennusteita alle minuutissa. Yli tuhannen mahdollisen säämallin haastaessa tekoäly päihitti viimeisimmän tekniikan järjestelmät noin 90 prosentissa ajasta.

Mutta GraphCast ei tarkoita vain tarkemman sääsovelluksen rakentamista vaatekaappien valitsemista varten.

Vaikka tekoälyä ei ole erityisesti koulutettu havaitsemaan äärimmäisiä sääkuvioita, se havaitsi useita näihin kuvioihin liittyviä ilmakehän tapahtumia. Aiempiin menetelmiin verrattuna se seurasi tarkemmin syklonien liikeratoja ja havaitsi ilmakehän jokia – tulviin liittyviä jänteviä alueita ilmakehässä.

GraphCast ennusti myös äärimmäisten lämpötilojen puhkeamisen hyvissä ajoin ennen nykyisiä menetelmiä. Kanssa Vuodesta 2024 tulee vielä lämpimämpi ja äärimmäisten sääilmiöiden lisääntyminen, tekoälyn ennusteet voivat antaa yhteisöille arvokasta aikaa valmistautua ja mahdollisesti pelastaa ihmishenkiä.

"GraphCast on nyt maailman tarkin 10 päivän globaali sääennustejärjestelmä, ja se voi ennustaa äärimmäisiä sääilmiöitä pidemmälle tulevaisuuteen kuin aiemmin oli mahdollista", kirjoittajat kirjoitti DeepMind-blogiviestissä.

Sateiset päivät

Sääkuvioiden ennustaminen jopa viikon päähän on vanha mutta erittäin haastava ongelma. Teemme monet päätökset näihin ennusteisiin. Jotkut ovat osa jokapäiväistä elämäämme: Pitäisikö minun tarttua sateenvarjoni tänään? Muut päätökset ovat elämästä tai kuolemasta, kuten milloin antaa evakuointi- tai suojakomento.

Nykyinen ennusteohjelmistomme perustuu suurelta osin maapallon ilmakehän fyysisiin malleihin. Tutkimalla sääjärjestelmien fysiikkaa tiedemiehet ovat kirjoittaneet useita yhtälöitä vuosikymmenien tiedoista, jotka sitten syötetään supertietokoneisiin ennusteiden luomiseksi.

Näyttävä esimerkki on Euroopan keskipitkän aikavälin sääennustuskeskuksen integroitu ennustejärjestelmä. Järjestelmä käyttää kehittyneitä laskelmia, jotka perustuvat nykyiseen säätietoumme, ennusteiden julkaisemiseen kuuden tunnin välein, mikä tarjoaa maailman tarkimpia saatavilla olevia sääennusteita.

Tämä järjestelmä "ja nykyaikainen sääennuste yleisemmin ovat tieteen ja tekniikan voittoja", kirjoitti DeepMind-tiimi.

Fysiikkaan perustuvien menetelmien tarkkuus on vuosien saatossa parantunut nopeasti, osittain tehokkaampien tietokoneiden ansiosta. Mutta ne ovat edelleen aikaa vieviä ja kalliita.

Tämä ei ole yllättävää. Sää on yksi monimutkaisimmista fyysisistä järjestelmistä maapallolla. Olet ehkä kuullut perhosefektistä: perhonen heiluttaa siipiään, ja tämä pieni muutos ilmakehässä muuttaa tornadon lentorataa. Vaikka se on vain metafora, se kuvaa sääennusteen monimutkaisuutta.

GraphCast otti toisenlaisen lähestymistavan. Unohda fysiikka, etsitään kuvioita pelkästään menneistä säätiedoista.

AI-meteorologi

GraphCast perustuu tietyntyyppiseen neuroverkkomallien jota on aiemmin käytetty ennustamaan muita fysiikkaan perustuvia järjestelmiä, kuten nestedynamiikkaa.

Siinä on kolme osaa. Ensin enkooderi kartoittaa oleelliset tiedot – esimerkiksi lämpötilan ja korkeuden tietyssä paikassa – monimutkaiseen kaavioon. Ajattele tätä abstraktina infografiikkana, jonka koneet ymmärtävät helposti.

Toinen osa on prosessori, joka oppii analysoimaan ja välittämään tietoa viimeiselle osalle, dekooderille. Sitten dekooderi muuntaa tulokset todellisen maailman sääennustekartalle. Kaiken kaikkiaan GraphCast voi ennustaa sääkuvioita seuraavan kuuden tunnin aikana.

Mutta kuusi tuntia ei ole 10 päivää. Tässä potkuri. Tekoäly voi oppia omista ennusteistaan. GraphCastin ennusteet syötetään takaisin itseensä syötteenä, jolloin se voi asteittain ennustaa säätä pidemmälle ajassa. Se on menetelmä, jota käytetään myös perinteisissä sääennustejärjestelmissä, tiimi kirjoitti.

GraphCastia koulutettiin lähes neljän vuosikymmenen historiallisten säätietojen perusteella. Jakaa ja hallitse -strategiaa noudattaen tiimi jakoi planeetan pieniksi laikkuiksi, jotka olivat noin 17 x 17 mailia päiväntasaajalla. Tämä johti yli miljoonan "pisteen" peittämiseen maapallolla.

Tekoälyä harjoitettiin jokaisessa pisteessä kahdella kerralla kerätyillä tiedoilla - yksi virta ja toinen kuusi tuntia sitten - ja se sisälsi kymmeniä muuttujia maan pinnasta ja ilmakehästä - kuten lämpötila, kosteus ja tuulen nopeus ja suunta monilla eri korkeuksilla.

Koulutus oli laskennallisesti intensiivistä ja kesti kuukauden.

Harjoiteltuaan tekoäly itsessään on kuitenkin erittäin tehokas. Se voi tuottaa 10 päivän ennusteen yhdellä TPU:lla alle minuutissa. Perinteiset menetelmät, joissa käytetään supertietokoneita, vievät tuntikausia laskentaa, tiimi selitti.

Valon säde

Testaakseen kykyjään tiimi asetti GraphCastin vastakkain nykyisen sääennusteen kultastandardin kanssa.

Tekoäly oli tarkempi lähes 90 prosenttia ajasta. Se menestyi erityisen hyvin, kun se luottaa vain troposfääristä – maapalloa lähimpänä olevasta ilmakehän kerroksesta ja sääennusteelle kriittisestä – saatuihin tietoihin, voitti kilpailijat 99.7 prosenttia ajasta. Myös GraphCast menestyi paremmin Pangu-sää, huippukilpaileva säämalli, joka käyttää koneoppimista.

Seuraavaksi tiimi testasi GraphCastia useissa vaarallisissa sääskenaarioissa: trooppisten syklonien jäljittämisessä, ilmakehän jokien havaitsemisessa ja äärimmäisen kuumuuden ja kylmyyden ennustamisessa. Vaikka tekoäly ei ollut koulutettu tiettyihin "varoitusmerkkeihin", se herätti hälytyksen perinteisiä malleja aikaisemmin.

Mallissa oli apua myös klassisesta meteorologiasta. Esimerkiksi tiimi lisäsi olemassa olevan sykloniseurantaohjelmiston GraphCastin ennusteisiin. Yhdistelmä kannatti. Syyskuussa tekoäly ennusti onnistuneesti hurrikaani Leen liikeradan, kun se pyyhkäisi itärannikkoa kohti Nova Scotiaa. Järjestelmä ennusti tarkasti myrskyn laskeutumisen yhdeksän päivää etukäteen – kolme arvokasta päivää nopeammin kuin perinteiset ennustemenetelmät.

GraphCast ei korvaa perinteisiä fysiikkapohjaisia ​​malleja. Pikemminkin DeepMind toivoo voivansa tukea niitä. Euroopan keskipitkän aikavälin sääennusteiden keskus kokeilee jo mallia nähdäkseen, kuinka se voitaisiin integroida heidän ennusteisiinsa. DeepMind pyrkii myös parantamaan tekoälyn kykyä käsitellä epävarmuutta – kriittinen tarve, kun sää muuttuu yhä arvaamattomammaksi.

GraphCast ei ole ainoa tekoälyn säämies. DeepMind ja Googlen tutkijat rakensivat aiemmin kaksi alueellinen mallit joka voi ennustaa tarkasti lyhyen aikavälin sään 90 minuuttia tai 24 tuntia eteenpäin. GraphCast voi kuitenkin katsoa pidemmälle. Standardin sääohjelmiston kanssa käytettynä yhdistelmä voi vaikuttaa säähätätilanteisiin liittyviin päätöksiin tai ohjata ilmastopolitiikkaa. Ainakin saatamme olla varmempia päätöksestä ottaa sateenvarjo käyttöön.

"Uskomme, että tämä merkitsee käännekohtaa sääennusteissa", kirjoittajat kirjoittivat.

Kuva pistetilanne: Google DeepMind

• SEO-pohjainen sisällön ja PR-jakelu. Vahvista jo tänään.
• PlatoData.Network Vertical Generatiivinen Ai. Vahvista itseäsi. Pääsy tästä.
• PlatoAiStream. Web3 Intelligence. Tietoa laajennettu. Pääsy tästä.
• PlatoESG. hiili, CleanTech, energia, ympäristö, Aurinko, Jätehuolto. Pääsy tästä.
• PlatonHealth. Biotekniikan ja kliinisten kokeiden älykkyys. Pääsy tästä.
• Lähde: https://singularityhub.com/2023/11/16/google-deepmind-ai-nails-super-accurate-10-day-weather-forecasts/