Google DeepMind AI Nails Superexakta 10-dagars väderprognoser

Det här året var en nonstop parad av extrema väderhändelser. Oöverträffad värme svepte över jordklotet. Den här sommaren var jordens hetaste sedan 1880. Från snabba översvämningar i Kalifornien och isstormar i Texas till förödande skogsbränder i Maui och Kanada, väderrelaterade händelser påverkade liv och samhällen djupt.

Varje sekund räknas när det gäller att förutsäga dessa händelser. AI kan hjälpa.

Denna vecka, Google DeepMind släppt en AI som levererar 10-dagars väderprognoser med oöverträffad noggrannhet och hastighet. Kallas GraphCast, modellen kan churna genom hundratals väderrelaterade datapunkter för en given plats och generera förutsägelser på under en minut. När den utmanas med över tusen potentiella vädermönster, slog AI toppmoderna system ungefär 90 procent av tiden.

Men GraphCast handlar inte bara om att bygga en mer exakt väderapp för att välja garderober.

Även om den inte uttryckligen utbildats för att upptäcka extrema vädermönster, plockade AI upp flera atmosfäriska händelser kopplade till dessa mönster. Jämfört med tidigare metoder, spårade den mer exakt cyklonbanor och upptäckte atmosfäriska floder - seniga regioner i atmosfären förknippade med översvämningar.

GraphCast förutspådde också uppkomsten av extrema temperaturer i god tid före nuvarande metoder. Med 2024 kommer att bli ännu varmare och extrema väderhändelser på uppgång, kan AI:s förutsägelser ge samhällen värdefull tid att förbereda sig och potentiellt rädda liv.

"GraphCast är nu det mest exakta 10-dagars globala väderprognossystemet i världen och kan förutsäga extrema väderhändelser längre in i framtiden än vad som tidigare varit möjligt," författarna skrev i ett DeepMind-blogginlägg.

Regniga dagar

Att förutsäga vädermönster, även bara en vecka framåt, är ett gammalt men extremt utmanande problem. Vi baserar många beslut på dessa prognoser. Vissa är inbäddade i vår vardag: Ska jag ta mitt paraply idag? Andra beslut är liv eller död, som när man ska utfärda order om evakuering eller skydd på plats.

Vår nuvarande prognosmjukvara är till stor del baserad på fysiska modeller av jordens atmosfär. Genom att undersöka vädersystemens fysik har forskare skrivit ett antal ekvationer från årtionden av data, som sedan matas in i superdatorer för att generera förutsägelser.

Ett framträdande exempel är det integrerade prognossystemet vid European Centre for Medium Range Weather Forecasts. Systemet använder sofistikerade beräkningar baserade på vår nuvarande förståelse av vädermönster för att ta fram förutsägelser var sjätte timme, vilket ger världen några av de mest exakta väderprognoserna som finns tillgängliga.

Detta system "och moderna väderprognoser mer generellt är triumfer för vetenskap och teknik", skrev DeepMind-teamet.

Under årens lopp har fysikbaserade metoder snabbt förbättrats i noggrannhet, delvis tack vare kraftfullare datorer. Men de är fortfarande tidskrävande och kostsamma.

Detta är inte förvånande. Vädret är ett av de mest komplexa fysiska systemen på jorden. Du kanske har hört talas om fjärilseffekten: En fjäril slår med vingarna, och denna lilla förändring i atmosfären förändrar en tornados bana. Även om den bara är en metafor, fångar den komplexiteten i väderförutsägelser.

GraphCast tog ett annat tillvägagångssätt. Glöm fysiken, låt oss bara hitta mönster i tidigare väderdata.

En AI-meteorolog

GraphCast bygger på en typ av neurala nätverk som tidigare använts för att förutsäga andra fysikbaserade system, såsom vätskedynamik.

Den har tre delar. Först kartlägger kodaren relevant information - t.ex. temperatur och höjd på en viss plats - på en intrikat graf. Se detta som en abstrakt infografik som maskiner lätt kan förstå.

Den andra delen är processorn som lär sig att analysera och skicka information till den sista delen, avkodaren. Dekodern översätter sedan resultaten till en verklig väderförutsägelsekarta. Sammantaget kan GraphCast förutsäga vädermönster för de kommande sex timmarna.

Men sex timmar är inte 10 dagar. Här är kickern. AI:n kan lära av sina egna prognoser. GraphCasts förutsägelser matas tillbaka in i sig själv som input, vilket gör att den successivt kan förutsäga väder längre ut i tiden. Det är en metod som också används i traditionella väderprognoser, skrev teamet.

GraphCast tränades på nästan fyra decennier av historisk väderdata. Med en dela-och-härska-strategi delade teamet planeten i små fläckar, ungefär 17 gånger 17 miles vid ekvatorn. Detta resulterade i mer än en miljon "poäng" som täckte världen.

För varje punkt tränades AI med data som samlats in vid två tillfällen – en ström, den andra för sex timmar sedan – och inkluderade dussintals variabler från jordens yta och atmosfär – som temperatur, luftfuktighet och vindhastighet och vindriktning på många olika höjder

Utbildningen var beräkningsintensiv och tog en månad att genomföra.

När den väl är utbildad är AI i sig mycket effektiv. Den kan producera en 10-dagarsprognos med en enda TPU på under en minut. Traditionella metoder som använder superdatorer tar timmar av beräkning, förklarade teamet.

Ray of Light

För att testa sina förmågor ställde teamet GraphCast mot den nuvarande guldstandarden för väderförutsägelser.

AI:n var mer exakt nästan 90 procent av tiden. Den utmärkte sig särskilt när den bara förlitade sig på data från troposfären - det atmosfärslager som är närmast jorden och som är avgörande för väderprognoser - och slog konkurrenterna 99.7 procent av gångerna. GraphCast överträffade också Pangu-väder, en toppkonkurrerande vädermodell som använder maskininlärning.

Teamet testade sedan GraphCast i flera farliga väderscenarier: spåra tropiska cykloner, upptäcka atmosfäriska floder och förutsäga extrem värme och kyla. Även om den inte utbildats på specifika "varningsskyltar" slog AI larmet tidigare än traditionella modeller.

Modellen hade även hjälp av klassisk meteorologi. Till exempel lade teamet till befintlig programvara för cyklonspårning till GraphCasts prognoser. Kombinationen gav resultat. I september förutspådde AI framgångsrikt orkanen Lees bana när den svepte upp östkusten mot Nova Scotia. Systemet förutspådde noggrant stormens landfall nio dagar i förväg - tre dyrbara dagar snabbare än traditionella prognosmetoder.

GraphCast kommer inte att ersätta traditionella fysikbaserade modeller. Snarare hoppas DeepMind att det kan stärka dem. European Centre for Medium Range Weather Prognos experimenterar redan med modellen för att se hur det skulle kunna integreras i deras förutsägelser. DeepMind arbetar också med att förbättra AI:s förmåga att hantera osäkerhet – ett kritiskt behov med tanke på vädrets allt mer oförutsägbara beteende.

GraphCast är inte den enda AI-vädermannen. DeepMind och Google-forskare byggde tidigare två regionala modeller som exakt kan förutsäga kortsiktigt väder 90 minuter eller 24 timmar framåt. GraphCast kan dock se längre fram. När den används med standard väderprogramvara kan kombinationen påverka beslut om vädersituationer eller vägleda klimatpolicyer. Åtminstone kan vi känna oss mer säkra på beslutet att ta det paraplyet att fungera.

"Vi tror att detta markerar en vändpunkt i väderprognoser", skrev författarna.

Image Credit: Google DeepMind

• SEO-drivet innehåll och PR-distribution. Bli förstärkt idag.
• PlatoData.Network Vertical Generative Ai. Styrka dig själv. Tillgång här.
• PlatoAiStream. Web3 Intelligence. Kunskap förstärkt. Tillgång här.
• Platoesg. Kol, CleanTech, Energi, Miljö, Sol, Avfallshantering. Tillgång här.
• PlatoHealth. Biotech och kliniska prövningar Intelligence. Tillgång här.
• Källa: https://singularityhub.com/2023/11/16/google-deepmind-ai-nails-super-accurate-10-day-weather-forecasts/