Datormodelis, kas apvieno tradicionālās laika prognozēšanas tehnoloģijas ar mašīnmācīšanos, ir pārspējis citus uz mākslīgo intelektu (AI) balstītus rīkus Laikapstākļu scenāriju un ilgtermiņa klimata tendenču prognozēšana pārsniegts.

Šis rīks tika izlaists gada 22. jūlijāDabatika aprakstīts 1, ir pirmais mašīnmācīšanās modelis, kas ģenerē precīzas ansambļa laika prognozes — tādas, kas atspoguļo dažādus scenārijus. Tā izstrāde paver durvis prognozēm, kas ir ātrākas un mazāk energoietilpīgas nekā esošie rīki un detalizētākas nekā pieejas, kuru pamatā ir tikai AI.

"Tradicionālajiem klimata modeļiem ir jādarbojas superdatoros. Šo modeli var palaist dažu minūšu laikā," saka pētījuma līdzautors Stīvens Hojers, kurš studē padziļinātu mācīšanos Google pētniecībā Mauntinvjū, Kalifornijā.

Pašreizējās prognozēšanas sistēmas parasti balstās uz vispārējiem cirkulācijas modeļiem (GCM) — programmām, kas balstās uz fizikas likumiem, lai modelētu procesus Zemes okeānos un atmosfērā un prognozētu, kā tie varētu ietekmēt laikapstākļus un klimatu. Tomēr GCM ir nepieciešama liela skaitļošanas jauda, ​​un mašīnmācības sasniegumi piedāvā efektīvāku alternatīvu. "Mums ir terabaiti vai petabaiti (miljonu reižu lielāki par gigabaitu) vēsturisko laikapstākļu datu," saka Hojers. "Mācoties no šiem modeļiem, mēs varam izveidot labākus modeļus."

Jau ir daži mašīnmācīšanās prognozēšanas modeļi, piemēram, Pangu-Weather, ko izveidojis tehnoloģiju konglomerāts Huawei, kas atrodas Šenžeņā, Ķīnā un GraphCast, ko piedāvā DeepMind ar galveno mītni Londonā. Šiem modeļiem ir līdzīgs precizitātes līmenis kā tipiskiem GCM deterministiskajai prognozēšanai — pieejai, kas ģenerē vienu laika prognozi. Tomēr GCM nav tik uzticami ansambļa prognozēm vai ilgtermiņa klimata prognozēm.

"Problēma ar tīrām mašīnmācīšanās pieejām ir tāda, ka jūs to vienmēr apmācāt tikai ar datiem, kas jau ir redzēti," saka Skots Hoskings, kurš Londonas institūtos veic pētījumus par mākslīgā intelekta un vides datiem. "Klimats nepārtraukti mainās, mēs virzāmies uz nezināmo, tāpēc mūsu mašīnmācīšanās modeļiem ir jāekstrapolē šī nezināmā nākotne. Iekļaujot modelī fiziku, mēs varam nodrošināt, ka mūsu modeļi ir fiziski ierobežoti un nevar darīt neko nereālu."

Hibrīda modelis

Hojers un viņa komanda izstrādāja un apmācīja NeuralGCM — modeli, kas "apvieno tradicionālās uz fiziku balstītas atmosfēras risināšanas metodes aspektus ar dažiem AI komponentiem", saka Hojers. Viņi izmantoja modeli, lai sagatavotu īstermiņa un ilgtermiņa laika prognozes un klimata prognozes. Lai novērtētu NeuralGCM precizitāti, pētnieki salīdzināja tās prognozes ar reālās pasaules datiem, kā arī citu modeļu, tostarp GCM un to modeļu, kas balstīti tikai uz mašīnmācību, rezultātiem.

Tāpat kā pašreizējie mašīnmācīšanās modeļi, NeuralGCM varētu radīt precīzas īstermiņa, deterministiskas laika prognozes - no vienas līdz trīs dienām iepriekš -, vienlaikus izmantojot daļu no GCM nepieciešamās enerģijas. Tomēr tas pieļāva daudz mazāk kļūdu nekā citi mašīnmācīšanās modeļi, veidojot ilgtermiņa prognozes ilgāk par septiņām dienām. Faktiski NeuralGCM ilgtermiņa prognozes bija līdzīgas Eiropas Vidēja diapazona laika prognožu centra (ECMWF-ENS) ansambļa modeļa prognozēm — GCM, ko plaši uzskata par laika prognozēšanas zelta standartu.

Komanda arī pārbaudīja, cik labi modelis spēj paredzēt dažādas laikapstākļu parādības, piemēram, tropiskos ciklonus. Viņi atklāja, ka daudzi tīri mašīnmācīšanās modeļi radīja nekonsekventas un neprecīzas prognozes, salīdzinot gan ar NeuralGCM, gan ar ECMWF-ENS. Pētnieki pat salīdzināja NeuralGCM ar augstas izšķirtspējas klimata modeļiem, kas pazīstami kā globālie vētras atrisināšanas modeļi. NeuralGCM spēja īsākā laikā radīt reālistiskākus tropisko ciklonu numurus un trajektorijas.

Spēja paredzēt šādus notikumus ir "tik svarīga, lai uzlabotu lēmumu pieņemšanas prasmes un sagatavotības stratēģijas", saka Hoskings.

Hojers un viņa kolēģi vēlas vēl vairāk uzlabot un pielāgot NeuralGCM. "Mēs esam strādājuši pie Zemes sistēmas modelēšanas atmosfēras komponenta... Iespējams, tā ir daļa, kas vistiešāk ietekmē ikdienas laika apstākļus," saka Hojers. Viņš piebilst, ka komanda vēlētos turpmākajās versijās iekļaut vairāk zemes zinātnes aspektu, lai vēl vairāk uzlabotu modeļa precizitāti.