Компютърен модел, който комбинира традиционна технология за прогнозиране на времето с машинно обучение, надмина други инструменти, базирани на изкуствен интелект (AI) Прогнозиране на метеорологични сценарии и дългосрочни климатични тенденции превишен.

Инструментът, пуснат на 22 юли вПриродатабеше описано 1, е първият модел за машинно обучение, който генерира точни ансамбълни прогнози за времето – такива, които представляват набор от сценарии. Неговото развитие отваря вратата за прогнози, които са по-бързи и по-малко енергоемки от съществуващите инструменти и по-подробни от подходи, базирани единствено на AI.

„Традиционните климатични модели трябва да работят на суперкомпютри. Това е модел, който можете да стартирате за минути“, казва съавторът на изследването Стефан Хойер, който изучава дълбоко обучение в Google Research в Маунтин Вю, Калифорния.

Настоящите системи за прогнозиране обикновено разчитат на модели на обща циркулация (GCM), програми, които разчитат на законите на физиката, за да симулират процеси в океаните и атмосферата на Земята и да предскажат как те могат да повлияят на времето и климата. GCM обаче изискват много изчислителна мощност и напредъкът в машинното обучение предлага по-ефективна алтернатива. „Имаме терабайти или петабайти (милион пъти по-големи от гигабайт) исторически метеорологични данни“, казва Хойер. „Като се учим от тези модели, можем да изградим по-добри модели.“

Вече има някои модели за прогнозиране на машинно обучение като Pangu-Weather, създаден от технологичния конгломерат Huawei, базиран в Шенжен, Китай, и GraphCast от DeepMind със седалище в Лондон. Тези модели имат подобни нива на точност като типичните GCM за детерминистично прогнозиране – подход, който генерира една единствена прогноза за времето. GCM обаче не са толкова надеждни за ансамбъл прогнози или дългосрочни климатични прогнози.

„Проблемът с подходите за чисто машинно обучение е, че го обучавате само на данни, които вече е видял“, казва Скот Хоскинг, който провежда изследвания на AI и данни за околната среда в институти в Лондон. „Климатът непрекъснато се променя, ние се насочваме към неизвестното, така че нашите модели за машинно обучение трябва да се екстраполират в това неизвестно бъдеще. Като включим физиката в модела, можем да гарантираме, че нашите модели са физически ограничени и не могат да направят нищо нереалистично.“

Хибриден модел

Хойер и неговият екип разработиха и обучиха NeuralGCM, модел, който „комбинира аспекти на традиционен базиран на физика метод за решаване на атмосферни проблеми с някои AI компоненти“, казва Хойер. Те използваха модела за изготвяне на краткосрочни и дългосрочни прогнози за времето и прогнози за климата. За да оценят точността на NeuralGCM, изследователите сравниха прогнозите му с данни от реалния свят, както и изхода на други модели, включително GCM и тези, базирани изцяло на машинно обучение.

Подобно на настоящите модели за машинно обучение, NeuralGCM може да произвежда точни краткосрочни, детерминистични прогнози за времето – между един и три дни предварително – като същевременно използва част от енергията, необходима на GCM. Въпреки това, той направи много по-малко грешки от други модели за машинно обучение, когато изготви дългосрочни прогнози над седем дни. Всъщност дългосрочните прогнози на NeuralGCM бяха подобни на прогнозите на ансамбълния модел на Европейския център за средносрочна прогноза на времето (ECMWF-ENS), GCM, широко считан за златен стандарт за прогнозиране на времето.

Екипът също така тества колко добре моделът може да предвиди различни метеорологични явления, като тропически циклони. Те откриха, че много от моделите за чисто машинно обучение произвеждат непоследователни и неточни прогнози в сравнение с NeuralGCM и ECMWF-ENS. Изследователите дори сравняват NeuralGCM с климатични модели с висока разделителна способност, известни като модели за разрешаване на глобални бури. NeuralGCM успя да произведе по-реалистични числа и траектории на тропически циклони за по-кратко време.

Способността да се предвиждат подобни събития е „толкова важна за подобряване на уменията за вземане на решения и стратегиите за готовност“, казва Хоскинг.

Хойер и колегите му искат допълнително да усъвършенстват и адаптират NeuralGCM. „Ние работим върху атмосферния компонент на моделирането на земната система... Това е може би частта, която най-пряко влияе върху ежедневното време“, казва Хойер. Той добавя, че екипът би искал да включи повече аспекти на науката за земята в бъдещи версии, за да подобри допълнително точността на модела.