Počítačový model, který kombinuje tradiční technologii předpovědi počasí se strojovým učením, překonal ostatní nástroje založené na umělé inteligenci (AI) Předpovídání scénářů počasí a dlouhodobých klimatických trendů překročeno.

Nástroj vydaný 22. července vPřírodabyl popsán 1, je prvním modelem strojového učení, který generuje přesné souhrnné předpovědi počasí – takové, které představují řadu scénářů. Jeho vývoj otevírá dveře předpovědím, které jsou rychlejší a méně energeticky náročné než stávající nástroje a podrobnější než přístupy založené pouze na AI.

"Tradiční klimatické modely musí běžet na superpočítačích. Toto je model, který můžete spustit během několika minut," říká spoluautor studie Stephan Hoyer, který studuje hluboké učení na Google Research v Mountain View v Kalifornii.

Současné předpovědní systémy se obvykle spoléhají na modely obecné cirkulace (GCM), programy, které se spoléhají na fyzikální zákony, aby simulovaly procesy v zemských oceánech a atmosféře a předpovídaly, jak by mohly ovlivnit počasí a klima. GCM však vyžadují velký výpočetní výkon a pokroky ve strojovém učení nabízejí efektivnější alternativu. „Máme terabajty nebo petabajty (milionkrát větší než gigabajt) historických dat o počasí,“ říká Hoyer. "Poučením z těchto vzorců můžeme vytvořit lepší modely."

Již existují některé modely předpovědí strojového učení, jako je Pangu-Weather, vytvořené technologickým konglomerátem Huawei se sídlem v Shenzhenu v Číně a GraphCast od DeepMind se sídlem v Londýně. Tyto modely mají podobnou úroveň přesnosti jako typické GCM pro deterministické předpovědi – přístup, který generuje jedinou předpověď počasí. GCM však nejsou tak spolehlivé pro souhrnné předpovědi nebo dlouhodobé předpovědi klimatu.

„Problém s čistě strojovým učením spočívá v tom, že jej trénujete pouze na datech, která již viděl,“ říká Scott Hosking, který provádí výzkum AI a environmentálních dat na institutech v Londýně. "Klima se neustále mění, míříme do neznáma, takže naše modely strojového učení se musí extrapolovat do této neznámé budoucnosti. Začleněním fyziky do modelu můžeme zajistit, že naše modely jsou fyzicky omezené a nemohou dělat nic nerealistického."

Hybridní model

Hoyer a jeho tým vyvinuli a vycvičili NeuralGCM, model, který „kombinuje aspekty tradiční metody atmosférického řešení založené na fyzice s některými komponentami AI,“ říká Hoyer. Použili model k vytváření krátkodobých a dlouhodobých předpovědí počasí a klimatických projekcí. K vyhodnocení přesnosti NeuralGCM výzkumníci porovnali její předpovědi s reálnými daty a také s výstupy jiných modelů, včetně GCM a modelů založených čistě na strojovém učení.

Stejně jako současné modely strojového učení by NeuralGCM mohl vytvářet přesné krátkodobé, deterministické předpovědi počasí – jeden až tři dny předem – při použití zlomku energie požadované GCM. Při vytváření dlouhodobých předpovědí po sedmi dnech však dělal mnohem méně chyb než jiné modely strojového učení. Dlouhodobé předpovědi NeuralGCM byly ve skutečnosti podobné předpovědím souborového modelu Evropského centra pro střednědobou předpověď počasí (ECMWF-ENS), což je GCM široce považovaný za zlatý standard pro předpovědi počasí.

Tým také testoval, jak dobře dokáže model předpovídat různé jevy počasí, jako jsou tropické cyklóny. Zjistili, že mnoho modelů čistého strojového učení produkovalo nekonzistentní a nepřesné předpovědi ve srovnání s NeuralGCM a ECMWF-ENS. Výzkumníci dokonce porovnali NeuralGCM s klimatickými modely s vysokým rozlišením známými jako globální modely pro řešení bouří. NeuralGCM byl schopen vytvořit realističtější čísla a trajektorie tropických cyklón v kratším čase.

Schopnost předvídat takové události je „tak důležitá pro zlepšení rozhodovacích dovedností a strategií připravenosti,“ říká Hosking.

Hoyer a jeho kolegové chtějí NeuralGCM dále zdokonalovat a přizpůsobovat. "Pracovali jsme na atmosférické složce modelování zemského systému... Je to možná část, která má nejpřímější vliv na každodenní počasí," říká Hoyer. Dodává, že tým by rád do budoucích verzí začlenil více aspektů vědy o Zemi, aby se dále zlepšila přesnost modelu.