DeepMind говорит, что новый искусственный интеллект – самый точный прогнозист погоды на 10 дней в мире
DeepMind заявляет, что их новейший искусственный интеллект является наиболее точным прогнозистом погоды на 10 дней в мире
Новая модель искусственного интеллекта от Google DeepMind является самой точной в мире системой прогнозирования погоды на 10 дней, согласно лондонской лаборатории.
Названная GraphCast, модель обещает уникально точные прогнозы погоды среднего срока. В опубликованном сегодня исследовании GraphCast показала себя более точной и быстрой, чем промышленный лидер в сфере симуляции погоды, методика ‘Высокое разрешение прогноза’ (HRES).
Система также предсказала экстремальную погоду на более отдаленный срок, чем это было возможно ранее.
Эти выводы были проанализированы Европейским центром среднесрочного прогноза погоды (ECMWF), межправительственной организацией, которая разрабатывает HRES.
На сайте ECMWF была размещена рабочая версия GraphCast. В сентябре система точно предсказала, что ураган Ли достигнет берега Новой Шотландии примерно через девять дней.
- Превратите свой iPad с помощью Магической клавиатуры за меньше чем ...
- Uber Задания” похож на Uber Eats, но вместо пищи вы получаете...
- Транслируйте свои любимые праздничные фильмы на восстановленном пла...
В сравнении с традиционными методами прогнозирования, которые обнаружили Новую Шотландию всего лишь за шесть дней до этого, GraphCast также предоставила более согласованные прогнозы времени и места достижения береговой полосы урагана.
Интересно, что GraphCast может определить опасные погодные явления без тренировки на их поиск. После внедрения простого трекера циклона модель предсказала движение циклона более точно, чем метод HRES.
Такие данные могут спасти жизни и средства к существованию. Поскольку климат становится все более экстремальным и непредсказуемым, быстрые и точные прогнозы будут предоставлять все более важную информацию для планирования мер по предотвращению бедствий.
Мэтью Чентри, координатор машинного обучения в ECMWF, считает, что его отрасль находится на рубеже.
«Возможно, для создания надежных рабочих продуктов понадобится еще больше работы, но это, вероятно, только начало революции», – сказал Чентри на пресс-конференции.
Метеорологические организации, он добавил, ранее ожидали, что ИИ будет наиболее полезным в сочетании с физикой. Но недавние прорывы показывают, что машинное обучение также может напрямую прогнозировать погоду.
Как работает GraphCast
Традиционные прогнозы погоды основаны на сложных физических уравнениях. Затем они адаптируются в алгоритмы, которые выполняются на суперкомпьютерах.
Этот процесс может быть трудоемким. Он также требует специальных знаний и обширных вычислительных ресурсов.
GraphCast использует другую технику. Модель объединяет машинное обучение с графовыми нейронными сетями (GNN), архитектурой, которая отлично справляется с обработкой пространственно структурированных данных.
Для изучения причин и эффектов, определяющих изменения погоды, систему обучали на десятилетиях информации о погоде.
Традиционные подходы также используются. ECMWF обеспечил GraphCast обучающими данными за 40 лет реанализа погоды, которые включали мониторинг с помощью спутников, радаров и метеостанций.
Когда в наблюдениях есть пропуски, их заполняют физические методы прогнозирования. Результатом становится подробная история глобальной погоды. GraphCast использует эти уроки прошлого для прогнозирования будущего.
GraphCast делает прогнозы с пространственным разрешением 0,25 градуса по широте/долготе.
Чтобы представить себе это, представьте Землю разделенной на миллион точек сетки. В каждой точке модель прогнозирует пять земных переменных и шесть атмосферных переменных. Вместе они покрывают весь атмосферный слой планеты в трехмерном пространстве на 37 уровнях.
Переменные включают температуру, ветер, влажность, осадки и давление на уровне моря. В них также учитывается геопотенциал – потенциальная энергия гравитационного взаимодействия единицы массы в конкретном месте относительно уровня моря.
При проведении испытаний результаты оказались впечатляющими. GraphCast значительно превзошла наиболее точные операционные детерминированные системы прогнозирования на 90% из 1 380 протестированных параметров.
Разрыв был еще более ярким в тропосфере – самом нижнем слое атмосферы Земли и месте большинства погодных явлений. В этом регионе GraphCast превзошла HRES на 99,7% тестируемых переменных для будущей погоды.
GraphCast также является очень эффективным. 10-дневный прогноз занимает менее минуты на одной машине Google TPU v4.
В сравнении, традиционный подход может занимать часы вычислений на суперкомпьютере с сотнями машин.
Будущее ИИ в прогнозировании погоды
Несмотря на обнадеживающие ранние результаты, GraphCast все еще может получить выгоду от дальнейшего усовершенствования. В прогнозах циклонов, например, модель доказала свою точность в отслеживании перемещений, но менее эффективна в измерении интенсивности.
Гентри хотел бы видеть, насколько это можно улучшить.
“В данный момент, это область, где GraphCast и модели машинного обучения все еще немного отстают от физических моделей… Я надеюсь, что это может быть областью для дополнительного улучшения, но это показывает, что это все еще новая технология”, – сказал он.
Такие улучшения могут появиться отовсюду, потому что DeepMind открыл код модели. Глобальные организации и отдельные лица теперь могут экспериментировать с GraphCast и вносить свои собственные улучшения.
Потенциальные применения, иронично, не предсказуемы. Прогнозы могут, например, информировать производство возобновляемой энергии и маршруты воздушного движения. Но они также могут применяться к задачам, которые еще не были представлены.
“У погодных прогнозов есть много применений на расстоянии”, – сказал Питер Баттаглиа, исследовательный директор Google DeepMind. “И мы не знаем обо всех этих применениях”.
