En computermodel, der kombinerer traditionel vejrudsigtsteknologi med maskinlæring, har udkonkurreret andre kunstig intelligens (AI)-baserede værktøjer Forudsigelse af vejrscenarier og langsigtede klimatendenser overskredet.

Værktøjet, udgivet den 22. juli iNaturblev beskrevet 1, er den første maskinlæringsmodel til at generere nøjagtige ensemble vejrudsigter - dem, der repræsenterer en række scenarier. Dens udvikling åbner døren til forudsigelser, der er hurtigere og mindre energikrævende end eksisterende værktøjer og mere detaljerede end tilgange, der udelukkende er baseret på AI.

"Traditionelle klimamodeller skal køre på supercomputere. Dette er en model, du kan køre på få minutter," siger studiemedforfatter Stephan Hoyer, der studerer dyb læring ved Google Research i Mountain View, Californien.

Nuværende prognosesystemer er typisk afhængige af generelle cirkulationsmodeller (GCM'er), programmer, der er afhængige af fysikkens love til at simulere processer i jordens oceaner og atmosfære og forudsige, hvordan de kan påvirke vejr og klima. GCM'er kræver dog meget computerkraft, og fremskridt inden for maskinlæring tilbyder et mere effektivt alternativ. "Vi har terabyte eller petabyte (en million gange større end en gigabyte) af historiske vejrdata," siger Hoyer. "Ved at lære af disse mønstre kan vi bygge bedre modeller."

Der er allerede nogle maskinlæringsprognosemodeller såsom Pangu-Weather, skabt af teknologikonglomeratet Huawei baseret i Shenzhen, Kina og GraphCast af DeepMind med hovedkvarter i London. Disse modeller har samme niveauer af nøjagtighed som typiske GCM'er til deterministisk prognose - en tilgang, der genererer en enkelt vejrudsigt. GCM'er er dog ikke så pålidelige til ensembleprognoser eller langsigtede klimaforudsigelser.

"Problemet med rene maskinlæringstilgange er, at du kun træner det på data, det allerede har set," siger Scott Hosking, der forsker i AI og miljødata på institutter i London. "Klimaet ændrer sig konstant, vi er på vej ind i det ukendte, så vores maskinlæringsmodeller skal ekstrapolere ind i denne ukendte fremtid. Ved at inkorporere fysik i modellen kan vi sikre, at vores modeller er fysisk begrænsede og ikke kan gøre noget urealistisk."

Hybrid model

Hoyer og hans team udviklede og trænede NeuralGCM, en model, der "kombinerer aspekter af en traditionel fysik-baseret atmosfærisk løsningsmetode med nogle AI-komponenter," siger Hoyer. De brugte modellen til at producere kort- og langsigtede vejrudsigter og klimafremskrivninger. For at evaluere NeuralGCM's nøjagtighed sammenlignede forskere dens forudsigelser med data fra den virkelige verden såvel som output fra andre modeller, herunder GCM'er og dem, der udelukkende er baseret på maskinlæring.

Ligesom nuværende maskinlæringsmodeller kunne NeuralGCM producere nøjagtige kortsigtede, deterministiske vejrudsigter - mellem en og tre dage i forvejen - mens de bruger en brøkdel af den energi, der kræves af GCM'er. Den lavede dog langt færre fejl end andre maskinlæringsmodeller, når den producerede langsigtede prognoser ud over syv dage. Faktisk svarede NeuralGCM's langsigtede prognoser til prognoserne fra European Center for Medium-Range Weather Forecast (ECMWF-ENS) ensemblemodel, en GCM, der i vid udstrækning betragtes som guldstandarden for vejrudsigter.

Holdet testede også, hvor godt modellen kunne forudsige forskellige vejrfænomener, såsom tropiske cykloner. De fandt ud af, at mange af de rene maskinlæringsmodeller producerede inkonsistente og unøjagtige forudsigelser sammenlignet med både NeuralGCM og ECMWF-ENS. Forskerne sammenlignede endda NeuralGCM med højopløselige klimamodeller kendt som globale stormopløsningsmodeller. NeuralGCM var i stand til at producere mere realistiske tropiske cyklontal og baner på kortere tid.

Evnen til at forudsige sådanne hændelser er "så vigtig for at forbedre beslutningstagningskompetencer og beredskabsstrategier," siger Hosking.

Hoyer og hans kolleger ønsker at forfine og tilpasse NeuralGCM yderligere. "Vi har arbejdet på den atmosfæriske komponent i at modellere Jordsystemet... Det er måske den del, der mest direkte påvirker hverdagens vejr," siger Hoyer. Han tilføjer, at holdet gerne vil inkorporere flere aspekter af geovidenskab i fremtidige versioner for yderligere at forbedre nøjagtigheden af ​​modellen.