Tietokonemalli, joka yhdistää perinteisen sääennustustekniikan koneoppimiseen, on ylittänyt muut tekoälyyn (AI) perustuvat työkalut Sääskenaarioiden ja pitkän aikavälin ilmastotrendien ennustaminen ylitetty.

Työkalu julkaistiin 22. heinäkuuta vuonnaLuontokuvattiin 1, on ensimmäinen koneoppimismalli, joka tuottaa tarkkoja kokonaissääennusteita – sellaisia, jotka edustavat erilaisia ​​skenaarioita. Sen kehitys avaa oven ennustuksille, jotka ovat nopeampia ja vähemmän energiaa kuluttavia kuin nykyiset työkalut ja yksityiskohtaisempia kuin pelkkään tekoälyyn perustuvat lähestymistavat.

"Perinteisten ilmastomallien on toimittava supertietokoneilla. Tämä on malli, jota voit käyttää minuuteissa", sanoo tutkimuksen toinen kirjoittaja Stephan Hoyer, joka opiskelee syväoppimista Google Researchissa Mountain View'ssa, Kaliforniassa.

Nykyiset ennustejärjestelmät perustuvat tyypillisesti yleisiin kiertomalleihin (GCM), ohjelmiin, jotka tukeutuvat fysiikan lakeihin simuloidakseen maapallon valtamerissä ja ilmakehässä tapahtuvia prosesseja ja ennustaakseen, kuinka ne voivat vaikuttaa säähän ja ilmastoon. GCM:t vaativat kuitenkin paljon laskentatehoa, ja koneoppimisen edistyminen tarjoaa tehokkaamman vaihtoehdon. "Meillä on teratavuja tai petatavuja (miljoona kertaa suurempi kuin gigatavu) historiallista säätietoa", Hoyer sanoo. "Oppimalla näistä malleista voimme rakentaa parempia malleja."

On jo olemassa joitakin koneoppimisen ennustemalleja, kuten Pangu-Weather, jonka on luonut Shenzhenissä, Kiinassa sijaitseva teknologiakonserni Huawei ja DeepMindin GraphCast jonka pääkonttori on Lontoossa. Näillä malleilla on samanlainen tarkkuus kuin tyypillisillä GCM:illä deterministiseen ennustamiseen – lähestymistapa, joka luo yhden sääennusteen. GCM:t eivät kuitenkaan ole yhtä luotettavia kokonaisennusteille tai pitkän aikavälin ilmastoennusteille.

"Puhtaiden koneoppimislähestymistapojen ongelmana on, että sitä harjoitetaan vain sen jo näkemän datan perusteella", sanoo Scott Hosking, joka tutkii tekoäly- ja ympäristödataa Lontoon instituuteissa. "Ilmasto muuttuu jatkuvasti, olemme matkalla kohti tuntematonta, joten koneoppimismalliemme täytyy ekstrapoloida tähän tuntemattomaan tulevaisuuteen. Sisällyttämällä fysiikan malliin voimme varmistaa, että mallimme ovat fyysisesti rajoitettuja eivätkä voi tehdä mitään epärealistista."

Hybridi malli

Hoyer ja hänen tiiminsä kehittivät ja kouluttivat NeuralGCM:n, mallin, joka "yhdistää perinteisen fysiikkaan perustuvan ilmakehän ratkaisumenetelmän näkökohtia joihinkin tekoälykomponentteihin", Hoyer sanoo. He käyttivät mallia lyhyen ja pitkän aikavälin sääennusteiden ja ilmastoennusteiden tuottamiseen. NeuralGCM:n tarkkuuden arvioimiseksi tutkijat vertasivat sen ennusteita reaalimaailman tietoihin sekä muiden mallien, mukaan lukien GCM:ien ja puhtaasti koneoppimiseen perustuvien mallien, tuloksiin.

Kuten nykyiset koneoppimismallit, NeuralGCM voisi tuottaa tarkkoja lyhyen aikavälin, deterministisiä sääennusteita – yhdestä kolmeen päivää etukäteen – samalla kun se käyttää murto-osan GCM:ien tarvitsemasta energiasta. Se teki kuitenkin paljon vähemmän virheitä kuin muut koneoppimismallit tuottaessaan pitkän aikavälin ennusteita yli seitsemän päivän ajalta. Itse asiassa NeuralGCM:n pitkän aikavälin ennusteet olivat samankaltaisia ​​kuin Euroopan keskipitkän aikavälin sääennusteen keskuksen (ECMWF-ENS) kokonaismallin ennusteet, GCM, jota pidetään laajalti sääennusteiden kultana.

Tiimi testasi myös, kuinka hyvin malli pystyi ennustamaan erilaisia ​​sääilmiöitä, kuten trooppisia sykloneja. He havaitsivat, että monet puhtaista koneoppimismalleista tuottivat epäjohdonmukaisia ​​ja epätarkkoja ennusteita verrattuna sekä NeuralGCM:ään että ECMWF-ENSiin. Tutkijat jopa vertasivat NeuralGCM:ää korkearesoluutioisiin ilmastomalleihin, jotka tunnetaan globaaleina myrskynratkaisumalleina. NeuralGCM pystyi tuottamaan realistisempia trooppisten syklonilukuja ja lentoratoja lyhyemmässä ajassa.

Kyky ennustaa tällaisia ​​tapahtumia on "erittäin tärkeää päätöksentekotaitojen ja valmiusstrategioiden parantamiseksi", Hosking sanoo.

Hoyer ja hänen kollegansa haluavat edelleen kehittää ja mukauttaa NeuralGCM:ää. "Olemme työskennelleet ilmakehän komponentin parissa Maan järjestelmän mallintamisessa... Se on ehkä se osa, joka vaikuttaa suorimmin jokapäiväiseen säähän", Hoyer sanoo. Hän lisää, että tiimi haluaisi sisällyttää tuleviin versioihin enemmän maatieteen näkökohtia mallin tarkkuuden parantamiseksi.