Počítačový model, ktorý kombinuje tradičnú technológiu predpovedania počasia so strojovým učením, prekonal iné nástroje založené na umelej inteligencii (AI) Predpovedanie scenárov počasia a dlhodobých klimatických trendov prekročené.

Nástroj vydaný 22. júla vPrírodabol popísaný 1, je prvým modelom strojového učenia, ktorý generuje presné súborné predpovede počasia – také, ktoré predstavujú celý rad scenárov. Jeho vývoj otvára dvere predpovediam, ktoré sú rýchlejšie a energeticky menej náročné ako existujúce nástroje a detailnejšie ako prístupy založené výlučne na AI.

"Tradičné klimatické modely musia bežať na superpočítačoch. Toto je model, ktorý môžete spustiť za pár minút," hovorí spoluautor štúdie Stephan Hoyer, ktorý študuje hlboké učenie na Google Research v Mountain View v Kalifornii.

Súčasné predpovedné systémy sa zvyčajne spoliehajú na modely všeobecného obehu (GCM), programy, ktoré sa spoliehajú na fyzikálne zákony na simuláciu procesov v zemských oceánoch a atmosfére a predpovedajú, ako môžu ovplyvniť počasie a klímu. GCM však vyžadujú veľa výpočtového výkonu a pokroky v strojovom učení ponúkajú efektívnejšiu alternatívu. „Máme terabajty alebo petabajty (miliónkrát väčšie ako gigabajt) historických údajov o počasí,“ hovorí Hoyer. "Učením sa z týchto vzorov môžeme vytvoriť lepšie modely."

Existuje už niekoľko modelov predpovedí strojového učenia, ako napríklad Pangu-Weather, ktoré vytvoril technologický konglomerát Huawei so sídlom v Shenzhene v Číne a GraphCast od DeepMind so sídlom v Londýne. Tieto modely majú podobnú úroveň presnosti ako typické GCM pre deterministické predpovede – prístup, ktorý generuje jedinú predpoveď počasia. GCM však nie sú také spoľahlivé pre predpovede súboru alebo dlhodobé predpovede klímy.

„Problémom čisto strojového učenia je, že ho trénujete iba na údajoch, ktoré už videli,“ hovorí Scott Hosking, ktorý vedie výskum AI a environmentálnych údajov na inštitútoch v Londýne. "Klíma sa neustále mení, smerujeme do neznáma, takže naše modely strojového učenia sa musia extrapolovať do tejto neznámej budúcnosti. Začlenením fyziky do modelu môžeme zabezpečiť, že naše modely sú fyzicky obmedzené a nemôžu robiť nič nereálne."

Hybridný model

Hoyer a jeho tím vyvinuli a vyškolili NeuralGCM, model, ktorý „spája aspekty tradičnej metódy atmosferického riešenia založenej na fyzike s niektorými komponentmi AI,“ hovorí Hoyer. Model použili na vytvorenie krátkodobých a dlhodobých predpovedí počasia a klimatických projekcií. Na vyhodnotenie presnosti NeuralGCM výskumníci porovnali jej predpovede s údajmi z reálneho sveta, ako aj s výstupmi iných modelov, vrátane GCM a modelov založených čisto na strojovom učení.

Rovnako ako súčasné modely strojového učenia, NeuralGCM dokáže vytvárať presné krátkodobé, deterministické predpovede počasia – jeden až tri dni vopred – pri použití zlomku energie, ktorú GCM vyžadujú. Pri vytváraní dlhodobých predpovedí nad sedem dní však urobil oveľa menej chýb ako iné modely strojového učenia. Dlhodobé predpovede NeuralGCM boli v skutočnosti podobné predpovediam súboru modelu Európskeho centra pre strednodobú predpoveď počasia (ECMWF-ENS), čo je GCM široko považovaný za zlatý štandard predpovedí počasia.

Tím tiež testoval, ako dobre dokáže model predpovedať rôzne poveternostné javy, ako napríklad tropické cyklóny. Zistili, že mnohé z modelov čistého strojového učenia produkovali nekonzistentné a nepresné predpovede v porovnaní s NeuralGCM a ECMWF-ENS. Vedci dokonca porovnávali NeuralGCM s klimatickými modelmi s vysokým rozlíšením známymi ako globálne modely na riešenie búrok. NeuralGCM bol schopný produkovať realistickejšie čísla a trajektórie tropických cyklónov v kratšom čase.

Schopnosť predpovedať takéto udalosti je „tak dôležitá pre zlepšenie rozhodovacích schopností a stratégií pripravenosti,“ hovorí Hosking.

Hoyer a jeho kolegovia chcú NeuralGCM ďalej vylepšovať a prispôsobovať. "Pracovali sme na atmosférickej zložke modelovania zemského systému... Je to možno časť, ktorá priamo ovplyvňuje každodenné počasie," hovorí Hoyer. Dodáva, že tím by chcel do budúcich verzií začleniť viac aspektov vedy o Zemi, aby sa ďalej zlepšila presnosť modelu.