Računalniški model, ki združuje tradicionalno tehnologijo vremenske napovedi s strojnim učenjem, je presegel druga orodja, ki temeljijo na umetni inteligenci (AI). Napovedovanje vremenskih scenarijev in dolgoročnih podnebnih trendov presežena.

Orodje, izdano 22. julija vNaravaje bil opisan 1, je prvi model strojnega učenja za ustvarjanje natančnih ansambelskih vremenskih napovedi – takih, ki predstavljajo vrsto scenarijev. Njegov razvoj odpira vrata napovedim, ki so hitrejše in energetsko manj intenzivne od obstoječih orodij ter podrobnejše od pristopov, ki temeljijo izključno na AI.

"Tradicionalni podnebni modeli morajo delovati na superračunalnikih. To je model, ki ga lahko zaženete v nekaj minutah," pravi soavtor študije Stephan Hoyer, ki preučuje globoko učenje pri Google Research v Mountain Viewu v Kaliforniji.

Trenutni sistemi napovedovanja se običajno zanašajo na modele splošne cirkulacije (GCM), programe, ki se zanašajo na zakone fizike za simulacijo procesov v zemeljskih oceanih in ozračju ter napovedujejo, kako lahko vplivajo na vreme in podnebje. Vendar pa GCM zahtevajo veliko računalniške moči in napredek v strojnem učenju ponuja učinkovitejšo alternativo. »Imamo terabajte ali petabajte (milijonkrat večje od gigabajta) zgodovinskih vremenskih podatkov,« pravi Hoyer. "Z učenjem iz teh vzorcev lahko zgradimo boljše modele."

Obstaja že nekaj modelov napovedovanja strojnega učenja, kot je Pangu-Weather, ki ga je ustvaril tehnološki konglomerat Huawei s sedežem v Shenzhenu na Kitajskem in GraphCast proizvajalca DeepMind s sedežem v Londonu. Ti modeli imajo podobne stopnje natančnosti kot tipični GCM za deterministično napovedovanje – pristop, ki ustvari eno samo vremensko napoved. Vendar GCM niso tako zanesljivi za ansambelske napovedi ali dolgoročne podnebne napovedi.

»Težava s pristopi čistega strojnega učenja je, da ga vedno urite samo na podatkih, ki jih je že videl,« pravi Scott Hosking, ki izvaja raziskave o AI in okoljskih podatkih na inštitutih v Londonu. "Podnebje se nenehno spreminja, gremo v neznano, zato morajo naši modeli strojnega učenja ekstrapolirati v to neznano prihodnost. Z vključitvijo fizike v model lahko zagotovimo, da so naši modeli fizično omejeni in ne morejo narediti ničesar nerealnega."

Hibridni model

Hoyer in njegova ekipa sta razvila in usposobila NeuralGCM, model, ki »združuje vidike tradicionalne na fiziki temelječe atmosferske metode reševanja z nekaterimi komponentami umetne inteligence,« pravi Hoyer. Model so uporabili za izdelavo kratkoročnih in dolgoročnih vremenskih napovedi ter podnebnih projekcij. Da bi ovrednotili natančnost NeuralGCM, so raziskovalci primerjali njegove napovedi s podatki iz resničnega sveta ter rezultate drugih modelov, vključno z GCM in tistimi, ki temeljijo zgolj na strojnem učenju.

Tako kot sedanji modeli strojnega učenja bi lahko tudi NeuralGCM izdelal natančne kratkoročne, deterministične vremenske napovedi – med enim in tremi dnevi vnaprej – pri čemer bi porabil le delček energije, ki jo potrebujejo GCM. Vendar pa je naredil veliko manj napak kot drugi modeli strojnega učenja pri izdelavi dolgoročnih napovedi, daljših od sedmih dni. Pravzaprav so bile dolgoročne napovedi NeuralGCM podobne napovedim ansambelskega modela Evropskega centra za srednjeročne vremenske napovedi (ECMWF-ENS), GCM, ki na splošno velja za zlati standard za vremensko napoved.

Ekipa je tudi preizkusila, kako dobro lahko model napoveduje različne vremenske pojave, kot so tropski cikloni. Ugotovili so, da so številni modeli čistega strojnega učenja ustvarili nedosledne in netočne napovedi v primerjavi z NeuralGCM in ECMWF-ENS. Raziskovalci so celo primerjali NeuralGCM s podnebnimi modeli visoke ločljivosti, znani kot globalni modeli za reševanje neviht. NeuralGCM je lahko v krajšem času izdelal bolj realistične številke in trajektorije tropskih ciklonov.

Sposobnost predvidevanja takšnih dogodkov je "tako pomembna za izboljšanje veščin odločanja in strategij pripravljenosti," pravi Hosking.

Hoyer in njegovi kolegi želijo še izboljšati in prilagoditi NeuralGCM. "Delali smo na atmosferski komponenti modeliranja zemeljskega sistema ... To je morda del, ki najbolj neposredno vpliva na vsakodnevno vreme," pravi Hoyer. Dodaja, da bi ekipa rada v prihodnje različice vključila več vidikov znanosti o Zemlji, da bi še izboljšala natančnost modela.