Računalni model koji kombinira tradicionalnu tehnologiju vremenske prognoze sa strojnim učenjem nadmašio je druge alate temeljene na umjetnoj inteligenciji (AI) Predviđanje vremenskih scenarija i dugoročnih klimatskih trendova prekoračen.

Alat, objavljen 22. srpnja uPrirodabio opisan 1, prvi je model strojnog učenja koji generira točne skupne vremenske prognoze – one koje predstavljaju niz scenarija. Njegov razvoj otvara vrata predviđanjima koja su brža i energetski manje intenzivna od postojećih alata i detaljnija od pristupa temeljenih isključivo na AI.

"Tradicionalni klimatski modeli moraju se izvoditi na superračunalima. Ovo je model koji možete pokrenuti za nekoliko minuta", kaže koautor studije Stephan Hoyer, koji proučava duboko učenje u Google Researchu u Mountain Viewu, Kalifornija.

Trenutačni sustavi predviđanja obično se oslanjaju na modele opće cirkulacije (GCM), programe koji se oslanjaju na zakone fizike za simulaciju procesa u Zemljinim oceanima i atmosferi i predviđanje kako oni mogu utjecati na vrijeme i klimu. Međutim, GCM zahtijevaju mnogo računalne snage, a napredak u strojnom učenju nudi učinkovitiju alternativu. "Imamo terabajte ili petabajte (milijun puta veće od gigabajta) povijesnih vremenskih podataka", kaže Hoyer. "Učeći iz ovih obrazaca, možemo izgraditi bolje modele."

Već postoje neki modeli predviđanja strojnog učenja kao što je Pangu-Weather, koji je stvorio tehnološki konglomerat Huawei sa sjedištem u Shenzhenu, Kina, i GraphCast tvrtke DeepMind sa sjedištem u Londonu. Ovi modeli imaju slične razine točnosti kao tipični GCM-ovi za determinističko predviđanje – pristup koji generira jednu vremensku prognozu. Međutim, GCM nisu toliko pouzdani za skupne prognoze ili dugoročna klimatska predviđanja.

"Problem s čistim pristupima strojnog učenja je taj što ga trenirate samo na podacima koje je već vidio", kaže Scott Hosking, koji provodi istraživanje AI i podataka o okolišu na institutima u Londonu. "Klima se neprestano mijenja, idemo u nepoznato, tako da se naši modeli strojnog učenja moraju ekstrapolirati u ovu nepoznatu budućnost. Uključivanjem fizike u model, možemo osigurati da su naši modeli fizički ograničeni i da ne mogu učiniti ništa nerealno."

Hibridni model

Hoyer i njegov tim razvili su i uvježbali NeuralGCM, model koji "kombinira aspekte tradicionalne metode rješavanja atmosfere temeljene na fizici s nekim AI komponentama", kaže Hoyer. Koristili su model za izradu kratkoročnih i dugoročnih vremenskih prognoza i klimatskih projekcija. Kako bi procijenili točnost NeuralGCM-a, istraživači su njegova predviđanja usporedili s podacima iz stvarnog svijeta, kao i s rezultatima drugih modela, uključujući GCM-ove i one temeljene isključivo na strojnom učenju.

Poput trenutnih modela strojnog učenja, NeuralGCM bi mogao proizvesti točne kratkoročne, determinističke vremenske prognoze – između jednog i tri dana unaprijed – koristeći djelić energije potrebne GCM-ovima. Međutim, napravio je mnogo manje pogrešaka od drugih modela strojnog učenja pri izradi dugoročnih prognoza duljih od sedam dana. Zapravo, dugoročne prognoze NeuralGCM-a bile su slične prognozama skupnog modela Europskog centra za srednjoročnu prognozu vremena (ECMWF-ENS), GCM-a koji se smatra zlatnim standardom za prognozu vremena.

Tim je također testirao koliko dobro model može predvidjeti razne vremenske pojave, poput tropskih ciklona. Otkrili su da su mnogi modeli čistog strojnog učenja proizveli nedosljedna i netočna predviđanja u usporedbi s NeuralGCM-om i ECMWF-ENS-om. Istraživači su čak usporedili NeuralGCM s klimatskim modelima visoke rezolucije poznatim kao modeli za rješavanje globalnih oluja. NeuralGCM je uspio proizvesti realističnije brojeve i putanje tropskih ciklona u kraćem vremenu.

Sposobnost predviđanja takvih događaja "toliko je važna za poboljšanje vještina donošenja odluka i strategija pripravnosti", kaže Hosking.

Hoyer i njegovi kolege žele dodatno poboljšati i prilagoditi NeuralGCM. "Radili smo na atmosferskoj komponenti modeliranja Zemljinog sustava... To je možda dio koji najizravnije utječe na svakodnevno vrijeme", kaže Hoyer. Dodaje da bi tim želio uključiti više aspekata znanosti o Zemlji u budućim verzijama kako bi se dodatno poboljšala točnost modela.