Arvutimudel, mis ühendab traditsioonilise ilmaennustustehnoloogia ja masinõppe, on ületanud teisi tehisintellektil (AI) põhinevaid tööriistu Ilmastsenaariumide ja pikaajaliste kliimatrendide ennustamine ületatud.

Tööriist ilmus 22. juulil aastalLooduskirjeldati 1, on esimene masinõppemudel, mis loob täpseid ilmaprognoose, mis esindavad mitmesuguseid stsenaariume. Selle väljatöötamine avab ukse prognoosidele, mis on kiiremad ja vähem energiamahukad kui olemasolevad tööriistad ning üksikasjalikumad kui ainult tehisintellektil põhinevad lähenemisviisid.

"Traditsioonilised kliimamudelid peavad töötama superarvutites. See on mudel, mida saate käivitada minutitega," ütleb uuringu kaasautor Stephan Hoyer, kes uurib Californias Mountain View'is asuvas Google'i uurimistöös süvaõpet.

Praegused prognoosisüsteemid toetuvad tavaliselt üldistele tsirkulatsioonimudelitele (GCM) – programmidele, mis põhinevad füüsikaseadustel, et simuleerida protsesse Maa ookeanides ja atmosfääris ning ennustada, kuidas need võivad mõjutada ilma ja kliimat. Kuid GCM-id nõuavad palju arvutusvõimsust ja masinõppe edusammud pakuvad tõhusamat alternatiivi. "Meil on ajaloolisi ilmaandmeid terabaiti või petabaiti (miljon korda suurem kui gigabait), " ütleb Hoyer. "Nendest mustritest õppides saame luua paremaid mudeleid."

Juba on olemas mõned masinõppe prognoosimudelid, nagu Pangu-Weather, mille on loonud Hiinas Shenzhenis asuv tehnoloogiakonglomeraat Huawei ja DeepMindi GraphCast peakorteriga Londonis. Nende mudelite täpsus on sarnane tüüpiliste GCM-idega deterministlikuks prognoosimiseks – lähenemisviis, mis loob ühe ilmaprognoosi. Kuid GCM-id ei ole ansambli prognooside või pikaajaliste kliimaprognooside jaoks nii usaldusväärsed.

"Puhaste masinõppe lähenemisviiside probleem seisneb selles, et treenite seda ainult juba nähtud andmete põhjal," ütleb Scott Hosking, kes uurib Londoni instituutides tehisintellekti ja keskkonnaandmeid. "Kliima muutub pidevalt, me liigume tundmatusse, seega peavad meie masinõppemudelid ekstrapoleerima sellesse tundmatusse tulevikku. Füüsika mudelisse kaasamisega saame tagada, et meie mudelid on füüsiliselt piiratud ega suuda teha midagi ebareaalset."

Hübriidmudel

Hoyer ja tema meeskond töötasid välja ja koolitasid välja NeuralGCM-i, mudeli, mis "ühendab traditsioonilise füüsikal põhineva atmosfäärilahendusmeetodi aspektid mõne AI-komponendiga", ütleb Hoyer. Nad kasutasid mudelit lühi- ja pikaajaliste ilmaennustuste ja kliimaprognooside koostamiseks. NeuralGCM-i täpsuse hindamiseks võrdlesid teadlased selle ennustusi nii reaalmaailma andmetega kui ka teiste mudelite, sealhulgas GCM-ide ja puhtalt masinõppel põhinevate mudelite väljundiga.

Nagu praegused masinõppe mudelid, võib NeuralGCM toota täpseid lühiajalisi deterministlikke ilmaprognoose - üks kuni kolm päeva ette -, kasutades samal ajal murdosa GCM-ide jaoks vajalikust energiast. Kuid see tegi palju vähem vigu kui teised masinõppemudelid, kui koostasid pikaajalisi prognoose seitsme päeva jooksul. Tegelikult olid NeuralGCM-i pikaajalised prognoosid sarnased Euroopa Keskmise Ilmaennustuse Keskuse (ECMWF-ENS) ansamblimudeli prognoosidega – GCM, mida laialdaselt peetakse ilmaennustuse kuldstandardiks.

Töörühm testis ka seda, kui hästi suudab mudel ennustada erinevaid ilmastikunähtusi, näiteks troopilisi tsükloneid. Nad leidsid, et paljud puhtad masinõppe mudelid andsid nii NeuralGCM-i kui ka ECMWF-ENS-iga võrreldes ebajärjekindlaid ja ebatäpseid ennustusi. Uurijad võrdlesid NeuralGCM-i isegi kõrge eraldusvõimega kliimamudelitega, mida tuntakse globaalsete tormilahendusmudelitena. NeuralGCM suutis lühema ajaga toota realistlikumaid troopiliste tsüklonite numbreid ja trajektoore.

Võimalus selliseid sündmusi ennustada on "otsustusoskuste ja valmisolekustrateegiate parandamiseks nii oluline," ütleb Hosking.

Hoyer ja tema kolleegid soovivad NeuralGCM-i veelgi täpsustada ja kohandada. "Oleme töötanud Maa süsteemi modelleerimise atmosfääri komponendi kallal... See on võib-olla see osa, mis mõjutab kõige otsesemalt igapäevast ilma," ütleb Hoyer. Ta lisab, et meeskond soovib tulevastes versioonides kaasata rohkem maateaduse aspekte, et mudeli täpsust veelgi parandada.