Google DeepMind AI Nails Supernøyaktige 10-dagers værmeldinger

Dette året var en nonstop parade av ekstreme værhendelser. Enestående varme feide over kloden. Denne sommeren var jordens varmeste siden 1880. Fra oversvømmelser i California og isstormer i Texas til ødeleggende skogbranner i Maui og Canada, har værrelaterte hendelser påvirket liv og lokalsamfunn dypt.

Hvert sekund teller når det gjelder å forutsi disse hendelsene. AI kan hjelpe.

Denne uken, Google DeepMind utgitt en AI som leverer 10-dagers værmeldinger med enestående nøyaktighet og hastighet. Kalt GraphCast, kan modellen churne gjennom hundrevis av værrelaterte datapunkter for et gitt sted og generere spådommer på under ett minutt. Når den ble utfordret med over tusen potensielle værmønstre, slo AI toppmoderne systemer omtrent 90 prosent av tiden.

Men GraphCast handler ikke bare om å bygge en mer nøyaktig værapp for å velge garderober.

Selv om den ikke var eksplisitt opplært til å oppdage ekstreme værmønstre, fanget AI opp flere atmosfæriske hendelser knyttet til disse mønstrene. Sammenlignet med tidligere metoder, sporet den syklonbaner mer nøyaktig og oppdaget atmosfæriske elver - sinkete områder i atmosfæren assosiert med flom.

GraphCast spådde også utbruddet av ekstreme temperaturer i god tid før dagens metoder. Med 2024 blir enda varmere og ekstreme værhendelser øker, kan AIs spådommer gi lokalsamfunn verdifull tid til å forberede seg og potensielt redde liv.

"GraphCast er nå det mest nøyaktige 10-dagers globale værvarslingssystemet i verden, og kan forutsi ekstreme værhendelser lenger inn i fremtiden enn det som tidligere var mulig," forfatterne skrev i et DeepMind-blogginnlegg.

Regnfulle dager

Å forutsi værmønstre, selv bare en uke fremover, er et gammelt, men ekstremt utfordrende problem. Vi baserer mange beslutninger på disse prognosene. Noen er integrert i hverdagen vår: Bør jeg ta tak i paraplyen min i dag? Andre avgjørelser er liv eller død, som når man skal gi ordre om å evakuere eller ly på plass.

Vår nåværende prognoseprogramvare er i stor grad basert på fysiske modeller av jordens atmosfære. Ved å undersøke fysikken til værsystemer har forskere skrevet en rekke ligninger fra tiår med data, som deretter mates inn i superdatamaskiner for å generere spådommer.

Et fremtredende eksempel er det integrerte prognosesystemet ved European Center for Medium-Range Weather Forecasts. Systemet bruker sofistikerte beregninger basert på vår nåværende forståelse av værmønstre for å lage spådommer hver sjette time, og gir verden noen av de mest nøyaktige værvarslene som er tilgjengelige.

Dette systemet "og moderne værvarsling mer generelt, er triumfer for vitenskap og ingeniørvitenskap," skrev DeepMind-teamet.

I løpet av årene har fysikkbaserte metoder raskt forbedret nøyaktigheten, delvis takket være kraftigere datamaskiner. Men de forblir tidkrevende og kostbare.

Dette er ikke overraskende. Været er et av de mest komplekse fysiske systemene på jorden. Du har kanskje hørt om sommerfugleffekten: En sommerfugl slår med vingene, og denne lille endringen i atmosfæren endrer banen til en tornado. Selv om den bare er en metafor, fanger den kompleksiteten til værmelding.

GraphCast tok en annen tilnærming. Glem fysikk, la oss finne mønstre i tidligere værdata alene.

En AI-meteorolog

GraphCast bygger på en type nevrale nettverket som tidligere har blitt brukt til å forutsi andre fysikkbaserte systemer, for eksempel væskedynamikk.

Den har tre deler. Først kartlegger koderen relevant informasjon – for eksempel temperatur og høyde på et bestemt sted – på en intrikat graf. Tenk på dette som en abstrakt infografikk som maskiner lett kan forstå.

Den andre delen er prosessoren som lærer å analysere og sende informasjon til den siste delen, dekoderen. Dekoderen oversetter deretter resultatene til et virkelig værforutsigelseskart. Til sammen kan GraphCast forutsi værmønstre for de neste seks timene.

Men seks timer er ikke 10 dager. Her er kickeren. AI kan lære av sine egne prognoser. GraphCasts spådommer blir matet tilbake til seg selv som input, slik at den gradvis kan forutsi vær lenger ut i tid. Det er en metode som også brukes i tradisjonelle værprediksjonssystemer, skrev teamet.

GraphCast ble trent på nesten fire tiår med historiske værdata. Ved å ta en del-og-hersk-strategi delte teamet planeten i små flekker, omtrent 17 ganger 17 miles ved ekvator. Dette resulterte i mer enn en million "poeng" som dekket kloden.

For hvert punkt ble AI trent med data samlet inn ved to tidspunkter – den ene strøm, den andre for seks timer siden – og inkluderte dusinvis av variabler fra jordoverflaten og atmosfæren – som temperatur, fuktighet og vindhastighet og vindretning i mange forskjellige høyder

Opplæringen var beregningsintensiv og tok en måned å fullføre.

Når den er trent, er imidlertid AI i seg selv svært effektiv. Den kan produsere en 10-dagers prognose med en enkelt TPU på under ett minutt. Tradisjonelle metoder som bruker superdatamaskiner tar timer med beregning, forklarte teamet.

Stråle av lys

For å teste sine evner, satte teamet GraphCast opp mot gjeldende gullstandard for værprediksjon.

AI var mer nøyaktig nesten 90 prosent av tiden. Den utmerket seg spesielt når den bare var avhengig av data fra troposfæren – atmosfærelaget nærmest jorden og kritisk for værvarsling – og slo konkurrentene 99.7 prosent av tiden. GraphCast ga også bedre resultater Pangu-vær, en topp konkurrerende værmodell som bruker maskinlæring.

Teamet testet deretter GraphCast i flere farlige værscenarier: spore tropiske sykloner, oppdage atmosfæriske elver og forutsi ekstrem varme og kulde. Selv om den ikke er trent på spesifikke "advarselsskilt", slo AI alarmen tidligere enn tradisjonelle modeller.

Modellen hadde også hjelp fra klassisk meteorologi. For eksempel la teamet til eksisterende syklonsporingsprogramvare til GraphCasts prognoser. Kombinasjonen ga resultater. I september spådde AI banen til orkanen Lee da den feide opp østkysten mot Nova Scotia. Systemet forutså nøyaktig stormens landfall ni dager i forveien - tre dyrebare dager raskere enn tradisjonelle prognosemetoder.

GraphCast vil ikke erstatte tradisjonelle fysikkbaserte modeller. DeepMind håper heller at det kan styrke dem. Det europeiske senteret for middels rekkevidde værmeldinger eksperimenterer allerede med modellen for å se hvordan det kan integreres i deres spådommer. DeepMind jobber også med å forbedre AIs evne til å håndtere usikkerhet – et kritisk behov gitt værets stadig mer uforutsigbare oppførsel.

GraphCast er ikke den eneste AI-værmannen. DeepMind og Google-forskere har tidligere bygget to regional modeller som nøyaktig kan varsle korttidsvær 90 minutter eller 24 timer fremover. GraphCast kan imidlertid se lenger fremover. Når den brukes med standard værprogramvare, kan kombinasjonen påvirke beslutninger om værnødsituasjoner eller veilede klimapolitikk. I det minste kan vi føle oss mer trygge på beslutningen om å ta den paraplyen på jobb.

"Vi tror dette markerer et vendepunkt i værvarsling," skrev forfatterne.

Bilde Credit: Google DeepMind

• SEO-drevet innhold og PR-distribusjon. Bli forsterket i dag.
• PlatoData.Network Vertical Generative Ai. Styrk deg selv. Tilgang her.
• PlatoAiStream. Web3 Intelligence. Kunnskap forsterket. Tilgang her.
• PlatoESG. Karbon, CleanTech, Energi, Miljø, Solenergi, Avfallshåndtering. Tilgang her.
• PlatoHelse. Bioteknologisk og klinisk etterretning. Tilgang her.
• kilde: https://singularityhub.com/2023/11/16/google-deepmind-ai-nails-super-accurate-10-day-weather-forecasts/