Google DeepMind AI Nails Super Natančne 10-dnevne vremenske napovedi

Letos je bilo neprestana parada ekstremnih vremenskih pojavov. Svet je preplavila vročina brez primere. To poletje je bilo najbolj vroče na Zemlji od leta 1880. Od hudourniških poplav v Kaliforniji in ledenih neviht v Teksasu do uničujočih gozdnih požarov v Mauiju in Kanadi so dogodki, povezani z vremenom, močno prizadeli življenja in skupnosti.

Vsaka sekunda šteje pri napovedovanju teh dogodkov. AI bi lahko pomagal.

Ta teden Google DeepMind izdal AI ki zagotavlja 10-dnevne vremenske napovedi z izjemno natančnostjo in hitrostjo. Model, imenovan GraphCast, lahko preleti na stotine vremenskih podatkovnih točk za dano lokacijo in ustvari napovedi v manj kot eni minuti. Ko se sooči z več kot tisoč možnimi vremenskimi vzorci, je umetna inteligenca v približno 90 odstotkih primerov premagala najsodobnejše sisteme.

Toda GraphCast ne gre le za izdelavo natančnejše vremenske aplikacije za izbiranje garderobe.

Čeprav ni bila izrecno usposobljena za zaznavanje ekstremnih vremenskih vzorcev, je umetna inteligenca zaznala več atmosferskih dogodkov, povezanih s temi vzorci. V primerjavi s prejšnjimi metodami je natančneje sledil trajektorijam ciklonov in zaznal atmosferske reke – žilave regije v ozračju, povezane s poplavami.

GraphCast je tudi napovedal nastop ekstremnih temperatur precej pred trenutnimi metodami. z Leto 2024 naj bi bilo še toplejše in ekstremnih vremenskih pojavov v porastu, bi lahko napovedi umetne inteligence skupnostim dale dragocen čas za pripravo in morebitno reševanje življenj.

"GraphCast je zdaj najbolj natančen 10-dnevni globalni sistem za napovedovanje vremena na svetu in lahko napove ekstremne vremenske dogodke dlje v prihodnost, kot je bilo prej mogoče," avtorji Napisal v objavi na blogu DeepMind.

Deževni dnevi

Napovedovanje vremenskih vzorcev, tudi samo za teden dni vnaprej, je star, a izjemno zahteven problem. Veliko odločitev temeljimo na teh napovedih. Nekateri so vgrajeni v naš vsakdan: Naj danes pograbim dežnik? Druge odločitve so povezane z življenjem ali smrtjo, na primer kdaj izdati ukaz za evakuacijo ali zavetje na mestu.

Naša trenutna programska oprema za napovedovanje v veliki meri temelji na fizičnih modelih zemeljske atmosfere. S preučevanjem fizike vremenskih sistemov so znanstveniki napisali številne enačbe iz desetletij podatkov, ki so nato vneseni v superračunalnike za ustvarjanje napovedi.

Izrazit primer je integrirani sistem napovedovanja v Evropskem centru za srednjeročne vremenske napovedi. Sistem uporablja sofisticirane izračune, ki temeljijo na našem trenutnem razumevanju vremenskih vzorcev, za ustvarjanje napovedi vsakih šest ur, s čimer svetu zagotavlja nekaj najbolj natančnih razpoložljivih vremenskih napovedi.

Ta sistem "in sodobna vremenska napoved na splošno sta zmagoslavja znanosti in tehnike," je zapisala ekipa DeepMind.

Z leti so metode, ki temeljijo na fiziki, hitro izboljšale natančnost, delno po zaslugi zmogljivejših računalnikov. Vendar ostajajo zamudni in dragi.

To ni presenetljivo. Vreme je eden najbolj zapletenih fizičnih sistemov na Zemlji. Morda ste že slišali za učinek metulja: metulj zamahne s krili in ta majhna sprememba v ozračju spremeni pot tornada. Čeprav je le metafora, zajame kompleksnost napovedi vremena.

GraphCast je ubral drugačen pristop. Pozabite na fiziko, poiščimo vzorce samo v preteklih vremenskih podatkih.

Meteorolog AI

GraphCast temelji na vrsti nevronska mreža ki je bil prej uporabljen za napovedovanje drugih sistemov, ki temeljijo na fiziki, kot je dinamika tekočin.

Ima tri dele. Prvič, kodirnik preslika pomembne informacije – recimo temperaturo in nadmorsko višino na določeni lokaciji – v zapleten graf. Predstavljajte si to kot abstraktno infografiko, ki jo stroji zlahka razumejo.

Drugi del je procesor, ki se nauči analizirati in posredovati informacije končnemu delu, dekoderju. Dekoder nato prevede rezultate v zemljevid vremenske napovedi v resničnem svetu. Skupaj lahko GraphCast napove vremenske vzorce za naslednjih šest ur.

Toda šest ur ni 10 dni. Tukaj je udarec. AI se lahko uči iz lastnih napovedi. Napovedi GraphCasta se vrnejo nazaj vase kot vhodne podatke, kar mu omogoča postopno napovedovanje vremena dlje v času. To je metoda, ki se uporablja tudi v tradicionalnih sistemih za napovedovanje vremena, je zapisala ekipa.

GraphCast je bil usposobljen na podlagi skoraj štirih desetletij zgodovinskih vremenskih podatkov. S strategijo deli in vladaj je ekipa razdelila planet na majhne zaplate, približno 17 x 17 milj na ekvatorju. Rezultat tega je več kot milijon "točk", ki pokrivajo svet.

Za vsako točko je bila umetna inteligenca usposobljena s podatki, zbranimi dvakrat – enkrat trenutno, drugi pred šestimi urami – in je vključevala na desetine spremenljivk s površja Zemlje in atmosfere – kot so temperatura, vlažnost ter hitrost in smer vetra na različnih nadmorskih višinah.

Usposabljanje je bilo računalniško intenzivno in je trajalo en mesec.

Vendar pa je umetna inteligenca sama po usposabljanju zelo učinkovita. Z enim TPU lahko ustvari 10-dnevno napoved v manj kot minuti. Tradicionalne metode, ki uporabljajo superračunalnike, zahtevajo ure računanja, je pojasnila ekipa.

Ray of Light

Da bi preizkusili njegove sposobnosti, je ekipa GraphCast postavila proti trenutnemu zlatemu standardu za napovedovanje vremena.

AI je bil natančnejši skoraj 90 odstotkov časa. Še posebej se je odrezal, ko se je zanašal le na podatke iz troposfere – plasti atmosfere, ki je najbližje Zemlji in je ključnega pomena za napovedovanje vremena – in premagal konkurenco v 99.7 odstotka časa. GraphCast je bil tudi boljši Pangu-Vreme, vrhunski konkurenčni vremenski model, ki uporablja strojno učenje.

Skupina je nato preizkusila GraphCast v več nevarnih vremenskih scenarijih: sledenje tropskim ciklonom, zaznavanje atmosferskih rek in napovedovanje ekstremne vročine in mraza. Čeprav ni bil usposobljen za posebne "opozorilne znake", je AI sprožil alarm prej kot tradicionalni modeli.

Modelu je pomagala tudi klasična meteorologija. Ekipa je na primer dodala obstoječo programsko opremo za sledenje ciklonom napovedim GraphCast. Kombinacija se je izplačala. Septembra je umetna inteligenca uspešno napovedala pot orkana Lee, ko je zajel vzhodno obalo proti Novi Škotski. Sistem je natančno napovedal, da bo nevihta dosegla kopno devet dni vnaprej – tri dragocene dni hitreje kot tradicionalne metode napovedovanja.

GraphCast ne bo nadomestil tradicionalnih modelov, ki temeljijo na fiziki. Namesto tega DeepMind upa, da jih bo lahko okrepil. Evropski center za srednjeročne vremenske napovedi že eksperimentira z modelom da bi videli, kako bi ga lahko vključili v njihove napovedi. DeepMind si prav tako prizadeva izboljšati zmožnost umetne inteligence za obvladovanje negotovosti – kar je kritična potreba glede na vse bolj nepredvidljivo vedenje vremena.

GraphCast ni edini vremenoslovec z umetno inteligenco. DeepMind in Googlovi raziskovalci so prej zgradili dva regionalni modeli ki lahko natančno napove kratkoročno vreme za 90 minut ali 24 ur vnaprej. Vendar lahko GraphCast gleda dlje naprej. Če se uporablja s standardno vremensko programsko opremo, lahko kombinacija vpliva na odločitve o izrednih vremenskih razmerah ali vodi podnebne politike. Morda bi bili vsaj bolj samozavestni glede odločitve, da ta dežnik prinesemo v službo.

"Verjamemo, da je to prelomnica v napovedovanju vremena," so zapisali avtorji.

Kreditno slike: Google DeepMind

• Distribucija vsebine in PR s pomočjo SEO. Okrepite se še danes.
• PlatoData.Network Vertical Generative Ai. Opolnomočite se. Dostopite tukaj.
• PlatoAiStream. Web3 Intelligence. Razširjeno znanje. Dostopite tukaj.
• PlatoESG. Ogljik, CleanTech, Energija, Okolje, sončna energija, Ravnanje z odpadki. Dostopite tukaj.
• PlatoHealth. Obveščanje o biotehnologiji in kliničnih preskušanjih. Dostopite tukaj.
• vir: https://singularityhub.com/2023/11/16/google-deepmind-ai-nails-super-accurate-10-day-weather-forecasts/