Ένα μοντέλο υπολογιστή που συνδυάζει την παραδοσιακή τεχνολογία πρόγνωσης καιρού με τη μηχανική μάθηση έχει ξεπεράσει τα άλλα εργαλεία που βασίζονται στην τεχνητή νοημοσύνη (AI) Πρόβλεψη καιρικών σεναρίων και μακροπρόθεσμων κλιματικών τάσεων υπερβεί.

Το εργαλείο, που κυκλοφόρησε στις 22 Ιουλίου σεΦύσηπεριγράφηκε 1, είναι το πρώτο μοντέλο μηχανικής εκμάθησης που δημιουργεί ακριβείς προβλέψεις καιρού συνόλου – αυτές που αντιπροσωπεύουν μια σειρά από σενάρια. Η ανάπτυξή του ανοίγει την πόρτα σε προβλέψεις που είναι ταχύτερες και λιγότερο ενεργοβόρες από τα υπάρχοντα εργαλεία και πιο λεπτομερείς από προσεγγίσεις που βασίζονται αποκλειστικά στην τεχνητή νοημοσύνη.

"Τα παραδοσιακά κλιματικά μοντέλα πρέπει να λειτουργούν σε υπερυπολογιστές. Αυτό είναι ένα μοντέλο που μπορείτε να εκτελέσετε σε λίγα λεπτά", λέει ο συν-συγγραφέας της μελέτης Stephan Hoyer, ο οποίος μελετά τη βαθιά μάθηση στο Google Research στο Mountain View της Καλιφόρνια.

Τα τρέχοντα συστήματα πρόβλεψης βασίζονται συνήθως σε μοντέλα γενικής κυκλοφορίας (GCM), προγράμματα που βασίζονται στους νόμους της φυσικής για να προσομοιώνουν διεργασίες στους ωκεανούς και την ατμόσφαιρα της Γης και να προβλέψουν πώς μπορεί να επηρεάσουν τον καιρό και το κλίμα. Ωστόσο, τα GCM απαιτούν μεγάλη υπολογιστική ισχύ και οι εξελίξεις στη μηχανική εκμάθηση προσφέρουν μια πιο αποτελεσματική εναλλακτική λύση. «Έχουμε terabyte ή petabyte (ένα εκατομμύριο φορές μεγαλύτερα από ένα gigabyte) ιστορικών καιρικών δεδομένων», λέει ο Hoyer. Μαθαίνοντας από αυτά τα μοτίβα, μπορούμε να δημιουργήσουμε καλύτερα μοντέλα.

Υπάρχουν ήδη ορισμένα μοντέλα πρόβλεψης μηχανικής μάθησης, όπως το Pangu-Weather, που δημιουργήθηκε από τον τεχνολογικό όμιλο Huawei με έδρα το Shenzhen της Κίνας και GraphCast από την DeepMind με έδρα το Λονδίνο. Αυτά τα μοντέλα έχουν παρόμοια επίπεδα ακρίβειας με τα τυπικά GCM για ντετερμινιστική πρόβλεψη – μια προσέγγιση που δημιουργεί μια ενιαία πρόγνωση καιρού. Ωστόσο, τα GCM δεν είναι τόσο αξιόπιστα για προβλέψεις συνόλου ή μακροπρόθεσμες προβλέψεις για το κλίμα.

«Το πρόβλημα με τις καθαρές προσεγγίσεις μηχανικής μάθησης είναι ότι το εκπαιδεύεις μόνο σε δεδομένα που έχει ήδη δει», λέει ο Scott Hosking, ο οποίος διεξάγει έρευνα για την τεχνητή νοημοσύνη και τα περιβαλλοντικά δεδομένα σε ινστιτούτα στο Λονδίνο. "Το κλίμα αλλάζει συνεχώς, οδεύουμε προς το άγνωστο, επομένως τα μοντέλα μηχανικής μάθησης πρέπει να επεκταθούν σε αυτό το άγνωστο μέλλον. Ενσωματώνοντας τη φυσική στο μοντέλο, μπορούμε να διασφαλίσουμε ότι τα μοντέλα μας είναι φυσικά περιορισμένα και δεν μπορούν να κάνουν τίποτα μη ρεαλιστικό."

Υβριδικό μοντέλο

Ο Hoyer και η ομάδα του ανέπτυξαν και εκπαίδευσαν το NeuralGCM, ένα μοντέλο που «συνδυάζει πτυχές μιας παραδοσιακής μεθόδου επίλυσης της ατμόσφαιρας με βάση τη φυσική με ορισμένα στοιχεία τεχνητής νοημοσύνης», λέει ο Hoyer. Χρησιμοποίησαν το μοντέλο για να παράγουν βραχυπρόθεσμες και μακροπρόθεσμες μετεωρολογικές προβλέψεις και κλιματικές προβολές. Για να αξιολογήσουν την ακρίβεια του NeuralGCM, οι ερευνητές συνέκριναν τις προβλέψεις του με δεδομένα του πραγματικού κόσμου καθώς και με την παραγωγή άλλων μοντέλων, συμπεριλαμβανομένων των GCM και εκείνων που βασίζονται αποκλειστικά στη μηχανική μάθηση.

Όπως τα τρέχοντα μοντέλα μηχανικής μάθησης, το NeuralGCM θα μπορούσε να παράγει ακριβείς βραχυπρόθεσμες, ντετερμινιστικές προβλέψεις καιρού – μεταξύ μιας και τριών ημερών νωρίτερα – ενώ χρησιμοποιεί ένα κλάσμα της ενέργειας που απαιτείται από τα GCM. Ωστόσο, έκανε πολύ λιγότερα λάθη από άλλα μοντέλα μηχανικής εκμάθησης κατά την παραγωγή μακροπρόθεσμων προβλέψεων πέραν των επτά ημερών. Στην πραγματικότητα, οι μακροπρόθεσμες προβλέψεις του NeuralGCM ήταν παρόμοιες με τις προβλέψεις του μοντέλου συνόλου του Ευρωπαϊκού Κέντρου Μεσοπρόθεσμης Πρόγνωσης Καιρού (ECMWF-ENS), ένα GCM που θεωρείται ευρέως το χρυσό πρότυπο για την πρόγνωση καιρού.

Η ομάδα εξέτασε επίσης πόσο καλά το μοντέλο μπορούσε να προβλέψει διάφορα καιρικά φαινόμενα, όπως τροπικούς κυκλώνες. Διαπίστωσαν ότι πολλά από τα αμιγώς μοντέλα μηχανικής μάθησης παρήγαγαν ασυνεπείς και ανακριβείς προβλέψεις σε σύγκριση με το NeuralGCM και το ECMWF-ENS. Οι ερευνητές συνέκριναν ακόμη και το NeuralGCM με κλιματικά μοντέλα υψηλής ανάλυσης γνωστά ως παγκόσμια μοντέλα επίλυσης καταιγίδων. Το NeuralGCM ήταν σε θέση να παράγει πιο ρεαλιστικούς αριθμούς και τροχιές τροπικών κυκλώνων σε συντομότερο χρόνο.

Η ικανότητα πρόβλεψης τέτοιων γεγονότων είναι «τόσο σημαντική για τη βελτίωση των δεξιοτήτων λήψης αποφάσεων και των στρατηγικών ετοιμότητας», λέει ο Hosking.

Ο Hoyer και οι συνεργάτες του θέλουν να βελτιώσουν και να προσαρμόσουν περαιτέρω το NeuralGCM. «Εργαζόμαστε πάνω στο ατμοσφαιρικό στοιχείο της μοντελοποίησης του συστήματος της Γης... Είναι ίσως το μέρος που επηρεάζει πιο άμεσα τον καθημερινό καιρό», λέει ο Hoyer. Προσθέτει ότι η ομάδα θα ήθελε να ενσωματώσει περισσότερες πτυχές της επιστήμης της γης σε μελλοντικές εκδόσεις για να βελτιώσει περαιτέρω την ακρίβεια του μοντέλου.