Google DeepMind AI Nails надточні 10-денні прогнози погоди

Цього року було безперервний парад екстремальних погодних явищ. Земну кулю охопила небувала спека. Цього літа був найспекотнішим на Землі починаючи з 1880 р. Від раптових повеней у Каліфорнії та крижаних бур у Техасі до руйнівних лісових пожеж у Мауї та Канаді, пов’язані з погодою події глибоко вплинули на життя та громади.

Кожна секунда має значення, коли йдеться про прогнозування цих подій. AI може допомогти.

Цього тижня Google DeepMind випустив ШІ який надає 10-денний прогноз погоди з безпрецедентною точністю та швидкістю. Модель під назвою GraphCast може обробляти сотні точок даних, пов’язаних із погодою, для певного місця та створювати прогнози менш ніж за хвилину. Коли ШІ перевіряє понад тисячу потенційних погодних умов, він перемагає найсучасніші системи приблизно в 90% випадків.

Але GraphCast — це не лише створення більш точного прогнозу погоди для вибору гардеробу.

Незважаючи на те, що штучний інтелект не був навчений виявляти екстремальні погодні умови, він виявив кілька атмосферних явищ, пов’язаних із цими умовами. Порівняно з попередніми методами, він точніше відстежував траєкторії циклонів і виявляв атмосферні річки — жилаві області в атмосфері, пов’язані з повенями.

GraphCast також передбачив настання екстремальних температур задовго до сучасних методів. с 2024 рік буде ще теплішим і зростання екстремальних погодних явищ прогнози штучного інтелекту можуть дати громадам дорогоцінний час для підготовки та, можливо, врятувати життя.

«GraphCast тепер є найточнішою 10-денною глобальною системою прогнозування погоди у світі, яка може передбачати екстремальні погодні явища в майбутньому, ніж це було можливо раніше», — автори. пише у публікації блогу DeepMind.

Дощові дні

Передбачення погодних умов, навіть лише на тиждень вперед, є давньою, але надзвичайно складною проблемою. Багато рішень ми ґрунтуємо на цих прогнозах. Деякі з них є частиною нашого повсякденного життя: чи варто мені сьогодні брати парасольку? Інші рішення залежать від життя чи смерті, наприклад, коли віддати наказ про евакуацію чи сховатися на місці.

Наше поточне програмне забезпечення для прогнозування значною мірою базується на фізичних моделях атмосфери Землі. Вивчаючи фізику погодних систем, вчені написали низку рівнянь із даних, накопичених за десятиліття, які потім завантажуються в суперкомп’ютери для створення прогнозів.

Яскравим прикладом є інтегрована система прогнозування в Європейському центрі середньострокових прогнозів погоди. Система використовує складні обчислення, засновані на нашому поточному розумінні погодних умов, щоб створювати прогнози кожні шість годин, надаючи світові одні з найточніших доступних прогнозів погоди.

Ця система «і сучасне прогнозування погоди в цілому є тріумфами науки та техніки», — написала команда DeepMind.

З роками точність методів, заснованих на фізиці, швидко підвищилася, частково завдяки більш потужним комп’ютерам. Але вони залишаються трудомісткими та дорогими.

Це не дивно. Погода є однією з найскладніших фізичних систем на Землі. Можливо, ви чули про ефект метелика: метелик змахує крилами, і ця крихітна зміна в атмосфері змінює траєкторію торнадо. Хоча це лише метафора, вона відображає всю складність прогнозування погоди.

GraphCast застосував інший підхід. Забудьте про фізику, давайте знайдемо закономірності лише в минулих погодних даних.

ШІ метеоролог

GraphCast базується на типі нейронної мережі який раніше використовувався для прогнозування інших систем, заснованих на фізиці, наприклад, динаміки рідини.

Вона має три частини. По-перше, кодер відображає відповідну інформацію, скажімо, температуру та висоту в певному місці, на складний графік. Подумайте про це як про абстрактну інфографіку, яку машини можуть легко зрозуміти.

Друга частина — це процесор, який вчиться аналізувати та передавати інформацію в кінцеву частину — декодер. Потім декодер перетворює результати на реальну карту прогнозу погоди. Загалом GraphCast може передбачити погодні умови на наступні шість годин.

Але шість годин - це не 10 днів. Ось ударник. ШІ може вчитися на власних прогнозах. Прогнози GraphCast повертаються в нього як вхідні дані, що дозволяє йому поступово прогнозувати погоду в більш віддаленому часі. Це метод, який також використовується в традиційних системах прогнозування погоди, пише команда.

GraphCast навчався на основі майже чотирьох десятиліть історичних даних про погоду. Дотримуючись стратегії «розділяй і володарюй», команда розділила планету на невеликі ділянки, приблизно 17 на 17 миль на екваторі. Це призвело до того, що земну кулю покрило понад мільйон «точок».

Для кожної точки штучний інтелект був навчений за даними, зібраними двічі — один зараз, інший шість годин тому — і включав десятки змінних із земної поверхні та атмосфери, як-от температура, вологість, швидкість і напрямок вітру на різних висотах.

Навчання було інтенсивним з обчислювальної точки зору і тривало місяць.

Однак після навчання сам штучний інтелект стає дуже ефективним. Він може створити прогноз на 10 днів з одним TPU менш ніж за хвилину. Команда пояснила, що традиційні методи з використанням суперкомп’ютерів займають години обчислень.

Промінь світла

Щоб перевірити його можливості, команда порівняла GraphCast із поточним золотим стандартом прогнозування погоди.

ШІ був більш точним майже в 90 відсотків часу. Особливо він досяг успіху, покладаючись лише на дані з тропосфери — шару атмосфери, найближчого до Землі та критичного для прогнозування погоди, перемагаючи конкурентів у 99.7 відсотках випадків. GraphCast також перевершив Пангу-Погода, найкраща конкуруюча модель погоди, яка використовує машинне навчання.

Далі команда протестувала GraphCast у кількох небезпечних сценаріях погоди: відстеження тропічних циклонів, виявлення атмосферних річок і прогнозування екстремальної спеки та холоду. Незважаючи на те, що ШІ не навчений конкретним «попереджувальним знакам», ШІ підняв тривогу раніше, ніж традиційні моделі.

Модель також мала допомогу з боку класичної метеорології. Наприклад, команда додала існуюче програмне забезпечення для відстеження циклонів до прогнозів GraphCast. Поєднання окупилося. У вересні ШІ успішно передбачив траєкторію урагану Лі, коли він пронісся східним узбережжям у напрямку до Нової Шотландії. Система точно передбачила вихід шторму на дев’ять днів наперед — на три цінні дні швидше, ніж традиційні методи прогнозування.

GraphCast не замінить традиційні моделі на основі фізики. Радше DeepMind сподівається, що зможе підтримати їх. Європейський центр середньострокових прогнозів погоди вже експериментує з моделлю щоб побачити, як це можна інтегрувати в їхні прогнози. DeepMind також працює над покращенням здатності штучного інтелекту справлятися з невизначеністю, що є надзвичайно важливою умовою, враховуючи все більш непередбачувану погоду.

GraphCast — не єдиний синоптик штучного інтелекту. Дослідники DeepMind і Google раніше створили два регіональний Моделі який може точно прогнозувати короткострокову погоду на 90 хвилин або 24 години вперед. Однак GraphCast може дивитися далі. При використанні зі стандартним погодним програмним забезпеченням ця комбінація може впливати на рішення щодо надзвичайних погодних умов або керувати кліматичною політикою. Принаймні, ми могли б бути більш впевненими у рішенні взяти цю парасолю на роботу.

«Ми вважаємо, що це знаменує поворотний момент у прогнозуванні погоди», — пишуть автори.

Зображення Фото: Google DeepMind

• Розповсюдження контенту та PR на основі SEO. Отримайте посилення сьогодні.
• PlatoData.Network Vertical Generative Ai. Додайте собі сили. Доступ тут.
• PlatoAiStream. Web3 Intelligence. Розширення знань. Доступ тут.
• ПлатонЕСГ. вуглець, CleanTech, Енергія, Навколишнє середовище, Сонячна, Поводження з відходами. Доступ тут.
• PlatoHealth. Розвідка про біотехнології та клінічні випробування. Доступ тут.
• джерело: https://singularityhub.com/2023/11/16/google-deepmind-ai-nails-super-accurate-10-day-weather-forecasts/