A hagyományos időjárás-előrejelzési technológiát gépi tanulással kombináló számítógépes modell felülmúlta a többi mesterséges intelligencia (AI) alapú eszközt Időjárási forgatókönyvek és hosszú távú éghajlati trendek előrejelzése meghaladta.

Az eszköz július 22-én jelent megTermészetvolt leírva 1, az első gépi tanulási modell, amely pontos együttes időjárás-előrejelzéseket generál – olyanokat, amelyek számos forgatókönyvet reprezentálnak. Fejlesztése olyan előrejelzések előtt nyitja meg a kaput, amelyek gyorsabbak és kevésbé energiaigényesek, mint a meglévő eszközök, és részletesebbek, mint a kizárólag mesterséges intelligencián alapuló megközelítések.

"A hagyományos éghajlati modelleknek szuperszámítógépeken kell futniuk. Ez egy olyan modell, amelyet percek alatt futtathatsz" - mondja Stephan Hoyer, a tanulmány társszerzője, aki a Google Researchnél a kaliforniai Mountain View-ban tanul mély tanulást.

A jelenlegi előrejelző rendszerek jellemzően általános cirkulációs modellekre (GCM-ekre) támaszkodnak, amelyek a fizika törvényeire támaszkodva szimulálják a Föld óceánjaiban és légkörében zajló folyamatokat, és megjósolják, hogy ezek hogyan befolyásolhatják az időjárást és az éghajlatot. A GCM-ek azonban nagy számítási teljesítményt igényelnek, és a gépi tanulás fejlődése hatékonyabb alternatívát kínál. „Terabájt vagy petabájt (egy gigabájtnál milliószor nagyobb) történelmi időjárási adat áll rendelkezésünkre” – mondja Hoyer. „Ha tanulunk ezekből a mintákból, jobb modelleket építhetünk.”

Már létezik néhány gépi tanulási előrejelzési modell, például a Pangu-Weather, amelyet a kínai Shenzhenben székelő Huawei technológiai konglomerátum hozott létre, és GraphCast a DeepMindtől londoni székhellyel. Ezek a modellek hasonló szintű pontossággal rendelkeznek, mint a tipikus GCM-ek a determinisztikus előrejelzéshez – ez a megközelítés egyetlen időjárás-előrejelzést generál. A GCM-ek azonban nem annyira megbízhatóak az együttes előrejelzésekhez vagy a hosszú távú éghajlati előrejelzésekhez.

„A pusztán gépi tanulási megközelítésekkel az a probléma, hogy mindig csak a már látott adatokon tanítjuk” – mondja Scott Hosking, aki mesterséges intelligenciával és környezeti adatokkal foglalkozik londoni intézetekben. "Az éghajlat folyamatosan változik, az ismeretlenbe tartunk, ezért gépi tanulási modelljeinket ebbe az ismeretlen jövőbe kell extrapolálniuk. A fizikának a modellbe való beépítésével biztosíthatjuk, hogy modelljeink fizikailag korlátozottak legyenek, és ne tudjanak semmi irreálist csinálni."

Hibrid modell

Hoyer és csapata kifejlesztette és betanította a NeuralGCM-et, egy olyan modellt, amely „egyesíti a hagyományos, fizikán alapuló légköri megoldási módszer szempontjait egyes mesterséges intelligencia-összetevőkkel” – mondja Hoyer. A modell segítségével rövid és hosszú távú időjárási előrejelzéseket és éghajlati előrejelzéseket készítettek. A NeuralGCM pontosságának értékelése érdekében a kutatók összehasonlították előrejelzéseit valós adatokkal, valamint más modellek kimenetével, beleértve a GCM-eket és a tisztán gépi tanuláson alapuló modelleket.

A jelenlegi gépi tanulási modellekhez hasonlóan a NeuralGCM is képes pontos rövid távú, determinisztikus időjárási előrejelzéseket készíteni – egy és három nappal előre – miközben a GCM-ek által igényelt energia töredékét használja fel. Azonban sokkal kevesebb hibát követett el, mint más gépi tanulási modellek, amikor hét napon túli hosszú távú előrejelzéseket készített. Valójában a NeuralGCM hosszú távú előrejelzései hasonlóak voltak az Európai Középtávú Időjárás-előrejelzési Központ (ECMWF-ENS) együttes modelljének előrejelzéseihez.

A csapat azt is tesztelte, hogy a modell mennyire képes előre jelezni különféle időjárási jelenségeket, például trópusi ciklonokat. Azt találták, hogy sok tiszta gépi tanulási modell következetlen és pontatlan előrejelzéseket eredményezett mind a NeuralGCM-hez, mind az ECMWF-ENS-hez képest. A kutatók a NeuralGCM-et a globális viharmegoldó modelleknek nevezett nagyfelbontású klímamodellekkel is összehasonlították. A NeuralGCM rövidebb idő alatt valósághűbb trópusi ciklonszámokat és pályákat tudott előállítani.

Az ilyen események előrejelzésének képessége „annyira fontos a döntéshozatali készségek és a felkészültségi stratégiák javításához” – mondja Hosking.

Hoyer és kollégái tovább kívánják finomítani és adaptálni a NeuralGCM-et. „A Föld rendszerének modellezésének légköri összetevőjén dolgoztunk... Talán ez az a rész, amely a legközvetlenebbül befolyásolja a mindennapi időjárást” – mondja Hoyer. Hozzáteszi, hogy a csapat a földtudomány több aspektusát szeretné beépíteni a jövőbeli verziókba, hogy tovább javítsa a modell pontosságát.