Google DeepMind AI Nails Dự báo thời tiết 10 ngày siêu chính xác

Google DeepMind AI Nails Dự báo thời tiết 10 ngày siêu chính xác

Dấu thời gian: 16:2023 chiều ngày 3 tháng 41 năm XNUMX
Google DeepMind AI Nails Dự báo thời tiết 10 ngày siêu chính xác Thông tin dữ liệu PlatoBlockchain. Tìm kiếm dọc. Ái.

Năm nay là cuộc diễu hành không ngừng nghỉ của các hiện tượng thời tiết cực đoan. Sức nóng chưa từng có quét qua toàn cầu. Mùa hè này nóng nhất trái đất kể từ năm 1880. Từ lũ quét ở California và bão băng ở Texas cho đến cháy rừng tàn khốc ở Maui và Canada, các sự kiện liên quan đến thời tiết đã ảnh hưởng sâu sắc đến cuộc sống và cộng đồng.

Mỗi giây đều có giá trị khi dự đoán những sự kiện này. AI có thể giúp đỡ.

Tuần này, Google DeepMind đã phát hành AI cung cấp dự báo thời tiết trong 10 ngày với độ chính xác và tốc độ chưa từng có. Được gọi là GraphCast, mô hình này có thể lướt qua hàng trăm điểm dữ liệu liên quan đến thời tiết cho một vị trí nhất định và đưa ra dự đoán trong vòng chưa đầy một phút. Khi được thử thách với hơn một nghìn kiểu thời tiết tiềm năng, AI đã đánh bại các hệ thống hiện đại trong khoảng 90% thời gian.

Nhưng GraphCast không chỉ là xây dựng một ứng dụng thời tiết chính xác hơn để chọn tủ quần áo.

Mặc dù không được đào tạo rõ ràng để phát hiện các kiểu thời tiết khắc nghiệt, nhưng AI đã phát hiện được một số sự kiện khí quyển có liên quan đến các kiểu thời tiết này. So với các phương pháp trước đây, nó theo dõi quỹ đạo lốc xoáy chính xác hơn và phát hiện các dòng sông trong khí quyển—các vùng gân guốc trong khí quyển có liên quan đến lũ lụt.

GraphCast cũng dự đoán rất tốt sự xuất hiện của nhiệt độ cực cao trước các phương pháp hiện tại. Với Năm 2024 sẽ còn ấm hơn nữa và các hiện tượng thời tiết cực đoan ngày càng gia tăng, dự đoán của AI có thể mang lại cho cộng đồng thời gian quý báu để chuẩn bị và có khả năng cứu sống nhiều người.

Các tác giả cho biết: “GraphCast hiện là hệ thống dự báo thời tiết toàn cầu trong 10 ngày chính xác nhất trên thế giới và có thể dự đoán các sự kiện thời tiết khắc nghiệt trong tương lai hơn những gì có thể trước đây”. đã viết trong một bài đăng trên blog DeepMind.

Những ngày mưa

Dự đoán các kiểu thời tiết, thậm chí chỉ trước một tuần, là một vấn đề cũ nhưng cực kỳ thách thức. Chúng tôi đưa ra nhiều quyết định dựa trên những dự báo này. Một số đã gắn liền với cuộc sống hàng ngày của chúng ta: Hôm nay tôi có nên cầm ô không? Các quyết định khác mang tính sống còn, chẳng hạn như khi nào ban hành lệnh sơ tán hoặc trú ẩn tại chỗ.

Phần mềm dự báo hiện tại của chúng tôi chủ yếu dựa trên các mô hình vật lý của bầu khí quyển Trái đất. Bằng cách kiểm tra tính chất vật lý của các hệ thống thời tiết, các nhà khoa học đã viết một số phương trình từ dữ liệu hàng thập kỷ, sau đó được đưa vào siêu máy tính để đưa ra dự đoán.

Một ví dụ nổi bật là Hệ thống Dự báo Tích hợp tại Trung tâm Dự báo Thời tiết Trung bình Châu Âu. Hệ thống này sử dụng các phép tính phức tạp dựa trên sự hiểu biết hiện tại của chúng tôi về các kiểu thời tiết để đưa ra dự đoán sáu giờ một lần, cung cấp cho thế giới một số dự báo thời tiết chính xác nhất hiện có.

Nhóm DeepMind viết: Hệ thống này “và dự báo thời tiết hiện đại nói chung là những thành tựu của khoa học và kỹ thuật”.

Qua nhiều năm, các phương pháp dựa trên vật lý đã nhanh chóng được cải thiện về độ chính xác, một phần nhờ vào các máy tính mạnh hơn. Nhưng chúng vẫn tốn thời gian và tốn kém.

Điều này không có gì đáng ngạc nhiên. Thời tiết là một trong những hệ thống vật lý phức tạp nhất trên Trái đất. Bạn có thể đã nghe nói về hiệu ứng cánh bướm: Một con bướm vỗ cánh và sự thay đổi nhỏ này trong bầu khí quyển sẽ làm thay đổi quỹ đạo của một cơn lốc xoáy. Mặc dù chỉ là một phép ẩn dụ nhưng nó thể hiện sự phức tạp của việc dự báo thời tiết.

GraphCast đã thực hiện một cách tiếp cận khác. Hãy quên vật lý đi, hãy tìm các mẫu trong dữ liệu thời tiết trong quá khứ.

Nhà khí tượng học AI

GraphCast được xây dựng trên một loại mạng lưới thần kinh điều đó trước đây được sử dụng để dự đoán các hệ thống dựa trên vật lý khác, chẳng hạn như động lực học chất lỏng.

Nó có ba phần. Đầu tiên, bộ mã hóa ánh xạ thông tin liên quan—chẳng hạn như nhiệt độ và độ cao tại một vị trí nhất định—lên một biểu đồ phức tạp. Hãy coi đây là một đồ họa thông tin trừu tượng mà máy móc có thể dễ dàng hiểu được.

Phần thứ hai là bộ xử lý học cách phân tích và truyền thông tin đến phần cuối cùng là bộ giải mã. Bộ giải mã sau đó chuyển kết quả thành bản đồ dự báo thời tiết trong thế giới thực. Nhìn chung, GraphCast có thể dự đoán các kiểu thời tiết trong sáu giờ tới.

Nhưng sáu giờ không phải là 10 ngày. Đây là người đá. AI có thể học hỏi từ những dự đoán của chính nó. Các dự đoán của GraphCast được đưa trở lại chính nó làm đầu vào, cho phép nó dự đoán dần dần thời tiết xa hơn theo thời gian. Nhóm nghiên cứu viết rằng đó là một phương pháp cũng được sử dụng trong các hệ thống dự báo thời tiết truyền thống.

GraphCast đã được đào tạo dựa trên gần bốn thập kỷ dữ liệu thời tiết lịch sử. Thực hiện chiến lược chia để trị, nhóm nghiên cứu chia hành tinh thành những mảng nhỏ, khoảng 17 x 17 dặm ở đường xích đạo. Điều này dẫn đến hơn một triệu “điểm” trên toàn cầu.

Đối với mỗi điểm, AI được huấn luyện với dữ liệu được thu thập ở hai thời điểm—một dòng điện, một lần khác cách đây sáu giờ—và bao gồm hàng chục biến số từ bề mặt và khí quyển Trái đất—như nhiệt độ, độ ẩm, tốc độ và hướng gió ở nhiều độ cao khác nhau.

Khóa đào tạo đòi hỏi tính toán chuyên sâu và mất một tháng để hoàn thành.

Tuy nhiên, sau khi được đào tạo, bản thân AI sẽ có hiệu quả cao. Nó có thể tạo ra dự báo 10 ngày với một TPU duy nhất trong vòng chưa đầy một phút. Nhóm nghiên cứu giải thích: Các phương pháp truyền thống sử dụng siêu máy tính mất hàng giờ tính toán.

Tia sáng

Để kiểm tra khả năng của mình, nhóm đã so sánh GraphCast với tiêu chuẩn vàng hiện tại về dự báo thời tiết.

AI chính xác hơn gần 90%. Nó đặc biệt xuất sắc khi chỉ dựa vào dữ liệu từ tầng đối lưu—tầng khí quyển gần Trái đất nhất và rất quan trọng đối với việc dự báo thời tiết—đánh bại đối thủ tới 99.7% thời gian. GraphCast cũng hoạt động tốt hơn Pangu-Thời tiết, một mô hình thời tiết cạnh tranh hàng đầu sử dụng công nghệ máy học.

Tiếp theo, nhóm đã thử nghiệm GraphCast trong một số tình huống thời tiết nguy hiểm: theo dõi các cơn bão nhiệt đới, phát hiện các dòng sông trong khí quyển và dự đoán nhiệt độ cực cao và cực lạnh. Mặc dù không được đào tạo về “các dấu hiệu cảnh báo” cụ thể nhưng AI đã đưa ra cảnh báo sớm hơn các mô hình truyền thống.

Mô hình này cũng có sự trợ giúp từ khí tượng học cổ điển. Ví dụ: nhóm đã thêm phần mềm theo dõi lốc xoáy hiện có vào dự báo của GraphCast. Sự kết hợp đã được đền đáp. Vào tháng XNUMX, AI đã dự đoán thành công quỹ đạo của Bão Lee khi nó quét qua Bờ Đông về phía Nova Scotia. Hệ thống dự đoán chính xác thời điểm cơn bão đổ bộ trước chín ngày—nhanh hơn ba ngày quý giá so với các phương pháp dự báo truyền thống.

GraphCast sẽ không thay thế các mô hình dựa trên vật lý truyền thống. Đúng hơn, DeepMind hy vọng nó có thể hỗ trợ họ. Trung tâm Dự báo Thời tiết Trung bình Châu Âu đang thử nghiệm mô hình để xem làm thế nào nó có thể được tích hợp vào dự đoán của họ. DeepMind cũng đang nỗ lực cải thiện khả năng của AI trong việc xử lý tình trạng không chắc chắn—một nhu cầu cấp thiết do thời tiết ngày càng khó dự đoán.

GraphCast không phải là công cụ dự báo thời tiết AI duy nhất. Các nhà nghiên cứu của DeepMind và Google trước đây đã xây dựng hai khu vực mô hình có thể dự báo chính xác thời tiết ngắn hạn trước 90 phút hoặc 24 giờ. Tuy nhiên, GraphCast có thể nhìn xa hơn về phía trước. Khi được sử dụng với phần mềm thời tiết tiêu chuẩn, sự kết hợp này có thể ảnh hưởng đến các quyết định về tình trạng khẩn cấp về thời tiết hoặc hướng dẫn các chính sách về khí hậu. Ít nhất, chúng ta có thể cảm thấy tự tin hơn về quyết định mang chiếc ô đó đi làm.

Các tác giả viết: “Chúng tôi tin rằng điều này đánh dấu một bước ngoặt trong dự báo thời tiết”.

Ảnh: Google DeepMind

Dấu thời gian:

Thêm từ Trung tâm cá biệt