Kompiuterinis modelis, kuriame tradicinė orų prognozavimo technologija derinama su mašininiu mokymusi, pranoko kitus dirbtiniu intelektu (AI) pagrįstus įrankius. Orų scenarijų ir ilgalaikių klimato tendencijų prognozavimas viršytas.

Įrankis, išleistas liepos 22 dGamtabuvo aprašyta 1, yra pirmasis mašininio mokymosi modelis, generuojantis tikslias kompleksines orų prognozes – tokias, kurios atspindi įvairius scenarijus. Jo kūrimas atveria duris prognozėms, kurios yra greitesnės ir mažiau energijos reikalaujančios nei esamos priemonės ir yra išsamesnės nei metodai, pagrįsti vien AI.

"Tradiciniai klimato modeliai turi veikti superkompiuteriuose. Tai modelis, kurį galite paleisti per kelias minutes", - sako tyrimo bendraautorius Stephanas Hoyeris, studijuojantis gilų mokymąsi Google tyrimų centre Mountain View, Kalifornijoje.

Dabartinės prognozavimo sistemos paprastai remiasi bendraisiais cirkuliacijos modeliais (GCM) – programomis, kurios remiasi fizikos dėsniais, kad imituotų Žemės vandenynų ir atmosferos procesus ir prognozuotų, kaip jie gali paveikti orą ir klimatą. Tačiau GCM reikia daug skaičiavimo galios, o mašininio mokymosi pažanga yra efektyvesnė alternatyva. „Turime terabaitų arba petabaitų (milijoną kartų daugiau nei gigabaitą) istorinių orų duomenų“, – sako Hoyeris. „Mokydamiesi iš šių modelių, galime sukurti geresnius modelius.

Jau yra keletas mašininio mokymosi prognozavimo modelių, pvz., „Pangu-Weather“, kuriuos sukūrė technologijų konglomeratas „Huawei“, įsikūręs Šendžene, Kinijoje ir „GraphCast“, kurią sukūrė „DeepMind“. su būstine Londone. Šių modelių tikslumas yra panašus į tipinius GCM, skirtus deterministiniam prognozavimui – metodas, kuris generuoja vieną orų prognozę. Tačiau GCM nėra tokie patikimi ansamblio prognozėms ar ilgalaikėms klimato prognozėms.

„Problema, susijusi su gryno mašininio mokymosi metodais, yra ta, kad mokomasi tik naudojant jau matytus duomenis“, – sako Scottas Hoskingas, Londono institutuose atliekantis AI ir aplinkos duomenų tyrimus. "Klimatas nuolat keičiasi, mes einame į nežinomybę, todėl mūsų mašininio mokymosi modeliai turi būti ekstrapoliuojami į šią nežinomą ateitį. Įtraukę fiziką į modelį galime užtikrinti, kad mūsų modeliai būtų fiziškai riboti ir negalėtų padaryti nieko nerealaus."

Hibridinis modelis

Hoyeris ir jo komanda sukūrė ir apmokė NeuralGCM – modelį, kuris „sujungia tradicinio fizika pagrįsto atmosferos sprendimo metodo aspektus su kai kuriais AI komponentais“, – sako Hoyeris. Jie naudojo modelį trumpalaikėms ir ilgalaikėms orų prognozėms ir klimato prognozėms sudaryti. Norėdami įvertinti NeuralGCM tikslumą, mokslininkai palygino jo prognozes su realaus pasaulio duomenimis, taip pat su kitų modelių, įskaitant GCM, ir modelių, pagrįstų vien mašininiu mokymusi, rezultatais.

Kaip ir dabartiniai mašininio mokymosi modeliai, „NeuralGCM“ galėtų parengti tikslias trumpalaikes, deterministines orų prognozes – nuo ​​vienos iki trijų dienų iš anksto – naudodamas dalį energijos, reikalingos GCM. Tačiau jis padarė daug mažiau klaidų nei kiti mašininio mokymosi modeliai, kai sudaromos ilgalaikės prognozės, ilgesnės nei septynios dienos. Tiesą sakant, ilgalaikės NeuralGCM prognozės buvo panašios į Europos vidutinio nuotolio orų prognozių centro (ECMWF-ENS) ansamblio modelio, GCM, plačiai laikomo auksiniu orų prognozavimo standartu, prognozes.

Komanda taip pat išbandė, kaip gerai modelis gali numatyti įvairius oro reiškinius, tokius kaip atogrąžų ciklonai. Jie nustatė, kad daugelis gryno mašininio mokymosi modelių sukūrė nenuoseklius ir netikslius prognozes, palyginti su NeuralGCM ir ECMWF-ENS. Tyrėjai netgi palygino NeuralGCM su didelės skiriamosios gebos klimato modeliais, žinomais kaip pasauliniai audrų sprendimo modeliai. NeuralGCM sugebėjo per trumpesnį laiką sukurti tikroviškesnius atogrąžų ciklonų skaičius ir trajektorijas.

Gebėjimas numatyti tokius įvykius yra „labai svarbus tobulinant sprendimų priėmimo įgūdžius ir pasirengimo strategijas“, - sako Hoskingas.

Hoyeris ir jo kolegos nori toliau tobulinti ir pritaikyti NeuralGCM. „Mes dirbome su atmosferos komponentu, modeliuodami Žemės sistemą... Galbūt tai yra ta dalis, kuri tiesiogiai veikia kasdienį orą“, – sako Hoyeris. Jis priduria, kad komanda norėtų įtraukti daugiau žemės mokslo aspektų į būsimas versijas, kad dar labiau pagerintų modelio tikslumą.