A Google DeepMind AI Nails szuperpontos időjárás-előrejelzés 10 napra

Ez az év volt megállás nélküli felvonulás szélsőséges időjárási eseményekről. Példátlan hőség söpört végig a földön. Ezen a nyáron volt a Föld legmelegebbje 1880 óta. A kaliforniai hirtelen áradásoktól és a texasi jégviharoktól a maui és kanadai pusztító erdőtüzekig az időjárással kapcsolatos események mélyen érintették az életeket és a közösségeket.

Minden másodperc számít az események előrejelzésében. Az AI segíthet.

Ezen a héten a Google DeepMind kiadott egy AI-t amely 10 napos időjárás-előrejelzést nyújt példátlan pontossággal és gyorsasággal. A GraphCast névre keresztelt modell több száz időjárással kapcsolatos adatponton képes átmenni egy adott helyen, és egy perc alatt előrejelzéseket generál. Ha több mint ezer lehetséges időjárási mintával szembesül, az AI az esetek 90 százalékában legyőzi a legmodernebb rendszereket.

A GraphCast azonban nem csak egy pontosabb időjárás-alkalmazás létrehozásáról szól a szekrények kiválasztásához.

Bár nem kifejezetten a szélsőséges időjárási minták észlelésére lett kiképezve, az AI számos légköri eseményt észlelt, amelyek ezekhez a mintákhoz kapcsolódnak. A korábbi módszerekkel összehasonlítva pontosabban követte nyomon a ciklonok pályáit, és észlelte a légköri folyókat – az árvízzel összefüggő inas régiókat a légkörben.

A GraphCast az extrém hőmérsékletek kialakulását is jóval a jelenlegi módszerek előtt megjósolta. Val vel 2024 még melegebb lesz és az egyre növekvő szélsőséges időjárási események, az AI előrejelzései értékes időt adhatnak a közösségeknek a felkészülésre, és potenciálisan életeket menthetnek meg.

"A GraphCast mára a világ legpontosabb 10 napos globális időjárás-előrejelző rendszere, és a szélsőséges időjárási eseményeket messzebbre is képes előre jelezni, mint korábban lehetséges volt" - írják a szerzők. írt egy DeepMind blogbejegyzésben.

Esős ​​napok

Az időjárási minták előrejelzése, akár csak egy hétre előre, régi, de rendkívül kihívást jelentő probléma. Számos döntést ezekre az előrejelzésekre alapozunk. Néhányan beépültek a mindennapi életünkbe: Fogjam meg ma az esernyőmet? Más döntések életre-halálra vonatkoznak, például mikor kell kiadni a evakuálási vagy menedékhelyi parancsot.

Jelenlegi előrejelző szoftverünk nagyrészt a Föld légkörének fizikai modelljein alapul. Az időjárási rendszerek fizikáját vizsgálva a tudósok több évtizedes adatokból írtak fel egyenleteket, amelyeket aztán szuperszámítógépekbe táplálnak be, hogy előrejelzéseket generáljanak.

Kiemelkedő példa erre a Középtávú Időjárás-előrejelzések Európai Központjában működő integrált előrejelző rendszer. A rendszer kifinomult számításokat használ az időjárási minták jelenlegi értelmezése alapján, hogy hatóránként előrejelzéseket adjon ki, és a világ számára a rendelkezésre álló legpontosabb időjárás-előrejelzéseket biztosítsa.

Ez a rendszer „és általánosabban a modern időjárás-előrejelzés a tudomány és a mérnöki tudományok diadala” – írta a DeepMind csapata.

Az évek során a fizikán alapuló módszerek gyorsan javultak a pontosságban, részben a nagyobb teljesítményű számítógépeknek köszönhetően. De továbbra is időigényesek és költségesek.

Ez nem meglepő. Az időjárás az egyik legösszetettebb fizikai rendszer a Földön. Talán hallott már a pillangóeffektusról: a pillangó szárnyait csapkodja, és ez az apró légköri változás megváltoztatja a tornádó pályáját. Bár csak egy metafora, megragadja az időjárás-előrejelzés összetettségét.

A GraphCast más megközelítést alkalmazott. Felejtsd el a fizikát, csak a múltbeli időjárási adatokban keressünk mintákat.

AI meteorológus

A GraphCast egy típusra épít neurális hálózat amelyet korábban más fizikai alapú rendszerek, például a folyadékdinamika előrejelzésére használtak.

Három részből áll. Először is, a kódoló leképezi a releváns információkat – mondjuk a hőmérsékletet és a tengerszint feletti magasságot egy bizonyos helyen – egy bonyolult grafikonon. Tekintse ezt egy absztrakt infografikának, amelyet a gépek könnyen megértenek.

A második rész a processzor, amely megtanulja elemezni és információt továbbítani az utolsó résznek, a dekódernek. A dekóder ezután az eredményeket valós időjárás-előrejelző térképpé alakítja. Összességében a GraphCast előre tudja jelezni az időjárás alakulását a következő hat órában.

De hat óra nem 10 nap. Itt a kicker. Az AI tanulhat saját előrejelzéseiből. A GraphCast előrejelzései visszatáplálják önmagát bemenetként, lehetővé téve, hogy fokozatosan előre jelezze az időjárást az időben. Ez egy olyan módszer, amelyet a hagyományos időjárás-előrejelző rendszerekben is használnak – írta a csapat.

A GraphCast csaknem négy évtizedes történelmi időjárási adatokra képezte ki. Az oszd meg és uralkodj stratégiát követve a csapat kis foltokra osztotta fel a bolygót, nagyjából 17 x 17 mérföldre az egyenlítőnél. Ennek eredményeként több mint egymillió „pont” borította be a földgömböt.

Az AI-t minden egyes pontra két időpontban gyűjtött adatok alapján képezték ki – az egyik áramlatban, a másikban hat órával ezelőtt –, és több tucat változót tartalmazott a Föld felszínéről és légköréről – például hőmérséklet, páratartalom, szél sebessége és iránya sok különböző magasságban.

A képzés számításigényes volt, és egy hónapig tartott.

A kiképzett mesterséges intelligencia maga azonban rendkívül hatékony. Egyetlen TPU-val kevesebb mint egy perc alatt képes 10 napos előrejelzést készíteni. A szuperszámítógépeket használó hagyományos módszerek órákig tartó számítást igényelnek – magyarázta a csapat.

Fénysugár

Hogy tesztelje képességeit, a csapat összevetette a GraphCast az időjárás-előrejelzés jelenlegi aranystandardjával.

Az AI az esetek közel 90 százalékában pontosabb volt. Különösen akkor volt kiváló, ha csak a troposzférából – a Földhöz legközelebbi légköri rétegből, az időjárás-előrejelzés szempontjából kritikus rétegből – származó adatokra támaszkodott, az esetek 99.7 százalékában legyőzte a versenytársakat. A GraphCast is jobban teljesített Pangu-Weather, egy legjobb versengő időjárási modell, amely gépi tanulást használ.

A csapat ezután számos veszélyes időjárási forgatókönyvben tesztelte a GraphCast: trópusi ciklonok követése, légköri folyók észlelése, valamint szélsőséges hőség és hideg előrejelzése. Bár nem képezték ki konkrét „figyelmeztető jelekre”, az AI korábban riasztotta, mint a hagyományos modellek.

A modellt a klasszikus meteorológia is segítette. Például a csapat hozzáadta a meglévő ciklonkövető szoftvert a GraphCast előrejelzéseihez. A kombináció kifizetődött. Szeptemberben az AI sikeresen megjósolta a Lee hurrikán pályáját, amint az felsöpört a keleti parton Új-Skócia felé. A rendszer pontosan megjósolta a vihar leszállását kilenc nappal előre – három értékes nappal gyorsabban, mint a hagyományos előrejelzési módszerek.

A GraphCast nem fogja felváltani a hagyományos fizikai alapú modelleket. A DeepMind inkább azt reméli, hogy megerősítheti őket. Középtávú Időjárás-előrejelzések Európai Központja már kísérletezik a modellel hogy lássák, hogyan illeszthető be az előrejelzéseikbe. A DeepMind azon is dolgozik, hogy javítsa a mesterséges intelligencia azon képességét, hogy kezelje a bizonytalanságot – ez kritikus szükséglet az időjárás egyre kiszámíthatatlanabb viselkedése miatt.

A GraphCast nem az egyetlen mesterséges intelligencia időjós. A DeepMind és a Google kutatói korábban kettőt építettek regionális modellek amely 90 perccel vagy 24 órával előre pontosan tudja előre jelezni a rövid távú időjárást. A GraphCast azonban tovább tekinthet előre. Ha szabványos időjárási szoftverrel használják, a kombináció befolyásolhatja az időjárási vészhelyzetekre vonatkozó döntéseket, vagy irányíthatja a klímapolitikát. Legalább biztosabbnak érezhetjük magunkat abban a döntésben, hogy ezt az esernyőt működésbe hozzuk.

„Úgy gondoljuk, hogy ez fordulópontot jelent az időjárás-előrejelzésben” – írták a szerzők.

Kép: Google DeepMind

• SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
• PlatoData.Network Vertical Generative Ai. Erősítse meg magát. Hozzáférés itt.
• PlatoAiStream. Web3 Intelligence. Felerősített tudás. Hozzáférés itt.
• PlatoESG. Carbon, CleanTech, Energia, Környezet, Nap, Hulladékgazdálkodás. Hozzáférés itt.
• PlatoHealth. Biotechnológiai és klinikai vizsgálatok intelligencia. Hozzáférés itt.
• Forrás: https://singularityhub.com/2023/11/16/google-deepmind-ai-nails-super-accurate-10-day-weather-forecasts/