Un model de computer care combină tehnologia tradițională de prognoză a vremii cu învățarea automată a depășit alte instrumente bazate pe inteligență artificială (AI) Prezicerea scenariilor meteorologice și a tendințelor climatice pe termen lung depăşit.

Instrumentul, lansat pe 22 iulie înNaturăa fost descris 1, este primul model de învățare automată care generează prognoze meteo precise, care reprezintă o serie de scenarii. Dezvoltarea sa deschide ușa către predicții care sunt mai rapide și mai puțin consumatoare de energie decât instrumentele existente și mai detaliate decât abordările bazate exclusiv pe IA.

„Modelele climatice tradiționale trebuie să ruleze pe supercomputere. Acesta este un model pe care îl puteți rula în câteva minute”, spune coautorul studiului Stephan Hoyer, care studiază învățarea profundă la Google Research din Mountain View, California.

Sistemele actuale de prognoză se bazează de obicei pe modele de circulație generală (GCM), programe care se bazează pe legile fizicii pentru a simula procesele din oceanele și atmosfera Pământului și pentru a prezice modul în care acestea ar putea afecta vremea și clima. Cu toate acestea, GCM-urile necesită multă putere de calcul, iar progresele în învățarea automată oferă o alternativă mai eficientă. „Avem teraocteți sau petaocteți (de un milion de ori mai mari decât un gigaoctet) de date meteo istorice”, spune Hoyer. „Învățând din aceste modele, putem construi modele mai bune.”

Există deja câteva modele de prognoză pentru învățarea automată, cum ar fi Pangu-Weather, creat de conglomeratul tehnologic Huawei cu sediul în Shenzhen, China și GraphCast de DeepMind cu sediul la Londra. Aceste modele au niveluri similare de precizie cu GCM-urile tipice pentru prognoza deterministă – o abordare care generează o singură prognoză meteo. Cu toate acestea, GCM-urile nu sunt la fel de fiabile pentru prognozele de ansamblu sau predicțiile climatice pe termen lung.

„Problema cu abordările de învățare automată pură este că îl antrenezi doar pe datele pe care le-a văzut deja”, spune Scott Hosking, care efectuează cercetări asupra AI și a datelor de mediu la institutele din Londra. „Clima se schimbă continuu, ne îndreptăm spre necunoscut, așa că modelele noastre de învățare automată trebuie să extrapoleze în acest viitor necunoscut. Încorporând fizica în model, ne putem asigura că modelele noastre sunt limitate fizic și nu pot face nimic nerealist.”

Model hibrid

Hoyer și echipa sa au dezvoltat și instruit NeuralGCM, un model care „combină aspecte ale unei metode tradiționale de rezolvare a atmosferei bazate pe fizică cu unele componente AI”, spune Hoyer. Ei au folosit modelul pentru a produce prognoze meteo pe termen scurt și lung și proiecții climatice. Pentru a evalua acuratețea NeuralGCM, cercetătorii au comparat predicțiile acestuia cu datele din lumea reală, precum și cu rezultatele altor modele, inclusiv GCM-urile și cele bazate exclusiv pe învățarea automată.

La fel ca modelele actuale de învățare automată, NeuralGCM ar putea produce prognoze meteorologice precise pe termen scurt, deterministe – între una și trei zile înainte – utilizând în același timp o fracțiune din energia necesară GCM-urilor. Cu toate acestea, a făcut mult mai puține erori decât alte modele de învățare automată atunci când a produs previziuni pe termen lung peste șapte zile. De fapt, prognozele pe termen lung ale NeuralGCM au fost similare cu prognozele modelului de ansamblu al Centrului European pentru Prognoza Meteo pe Interval Mediu (ECMWF-ENS), un GCM considerat pe scară largă standardul de aur pentru prognoza meteo.

Echipa a testat, de asemenea, cât de bine ar putea modelul să prezică diferite fenomene meteorologice, cum ar fi ciclonii tropicali. Ei au descoperit că multe dintre modelele pure de învățare automată au produs predicții inconsistente și inexacte în comparație atât cu NeuralGCM, cât și cu ECMWF-ENS. Cercetătorii au comparat chiar și NeuralGCM cu modele climatice de înaltă rezoluție cunoscute sub numele de modele globale de rezolvare a furtunilor. NeuralGCM a reușit să producă numere și traiectorii de cicloni tropicali mai realiste într-un timp mai scurt.

Capacitatea de a prezice astfel de evenimente este „atât de importantă pentru îmbunătățirea abilităților de luare a deciziilor și a strategiilor de pregătire”, spune Hosking.

Hoyer și colegii săi doresc să perfecționeze și să adapteze în continuare NeuralGCM. „Am lucrat la componenta atmosferică a modelării sistemului Pământului... Este probabil partea care are un impact cel mai direct asupra vremii de zi cu zi”, spune Hoyer. El adaugă că echipa ar dori să încorporeze mai multe aspecte ale științei pământului în versiunile viitoare pentru a îmbunătăți și mai mult acuratețea modelului.