«Искусственный интеллект превосходит нашу лучшую технологию прогнозирования погоды, благодаря DeepMind»
Данные из многолетней симуляции, называемой ERA5, подаются в графическую сеть GraphCast в виде набора измерений в конкретной точке. Проходя по графу, GraphCast предсказывает следующие измерения для этой точки и ее соседей.
Климатологи потратили десятилетия на сбор данных о том, как меняется погода в разных точках мира. Усилия, такие как ERA5, запись о климате с 1950 года, разработанная Европейским центром по среднесрочным прогнозам погоды (ECMWF), являются своего рода симуляцией земли в течение времени, записью скорости ветра, температуры, атмосферного давления и других переменных, час за часом.
Компания DeepMind, принадлежащая Google, на этой неделе приводит в пример то, что она называет поворотным моментом в использовании всех этих данных для дешевого прогнозирования погоды. Запускаясь на одном чипе ИИ от Google, называемом Tensor Processing Unit (TPU), ученые DeepMind смогли запустить программу, которая может предсказывать погодные условия точнее, чем традиционная модель, работающая на суперкомпьютере.
Также: Говорят, меньше значит больше в случае искусственного интеллекта, считает DeepMind от Google
Статья DeepMind будет опубликована в следующем номере научного журнала Science и сопровождается статьей сотрудников, сравнивающей статью с частью “революции” в прогнозировании погоды.
- 4 лучших предложения на iPad в Черную Пятницу
- Эти переводческие наушники стоят всего 90 долларов прямо сейчас.
- Распродажа Samsung в чёрную пятницу предлагает огромные скидки на т...
Заметьте, что программа с названием GraphCast не является заменой традиционных моделей прогнозирования, согласно главному автору Реми Ламу и его коллегам из DeepMind. Вместо этого они считают ее потенциальным “дополнением” к существующим методам. Действительно, GraphCast возможен только благодаря тому, что климатологи создали существующие алгоритмы, которые использовались для “переанализа”, то есть возвращения в прошлое и компиляции огромного ежедневного объема данных ERA5. Без этого точного усилия в создании модели погоды мира не было бы GraphCast.
Задачей Лама и его команды было взять несколько записей о погоде ERA5 и проверить, могла ли их программа, GraphCast, предсказать некоторые невидимые записи лучше, чем золотой стандарт прогнозирования погоды, система, известная как HRES, также разработанная ECMWF.
HRES, что означает High RESolution Forecast, прогнозирует погоду на следующие 10 дней по всему миру, используя работу в течение часа для площади около 10 квадратных километров. HRES возможна благодаря математическим моделям, разработанным исследователями на протяжении десятилетий. HRES “улучшается высококвалифицированными экспертами”, что, хоть и ценно, “может быть затратным и затратным процессом”, пишет Лам со своей командой, и который связан с затратами на многомиллионные суперкомпьютеры.
Также: Почему визуализация искусственного интеллекта от DeepMind бесполезна
Вопрос состоит в том, сможет ли форма искусственного интеллекта глубокого обучения соответствовать модели, созданной человеческими учеными, с моделью, созданной автоматически.
GraphCast берет данные о погоде, такие как температура и атмосферное давление, и представляет их в виде единой точки для квадратной области на земле. Эта отдельная точка связана с погодными условиями соседних областей с помощью так называемых “ребер”. Подумайте о социальном графе Facebook, где каждый человек – это точка, и они связаны с друзьями линией. Атмосфера Земли становится множеством точек, каждая квадратная область, связанная линиями, представляющими взаимосвязь между погодой каждой области и ее соседней областью.
В этом и заключается “граф” в GraphCast. Технически это устоявшаяся область глубокого обучения искусственного интеллекта, называемая графовой нейронной сетью. Нейронная сеть обучается определять, как связаны точки и линии, и какие изменения могут происходить в этих отношениях со временем.
Вооруженные нейронной сетью GraphCast, Лэм и его команда ввели данные о давлении воздуха, температуре, скорости ветра и т. д. за 39 лет ERA5, а затем измерили, насколько хорошо они предсказывают, что произойдет в следующие 10 дней по сравнению с программами HRES.
К тому же: Я заменил приложение погоды на своем телефоне этой станцией прогнозирования стоимостью 340 долларов. Вот почему.
На обработку данных ERA5 и обучение нейронной сети GraphCast требуется месяц на 32 чипах TPU, работающих в сотрудничестве; в процессе обучения параметры нейронной сети или ее “веса” оптимизируются до такой степени, чтобы она могла надежно делать прогнозы. Затем группа данных ERA5, которая была отложена (так называемые “выдержки”), подается в программу, чтобы узнать, может ли обученная GraphCast предсказывать изменения точек данных за десять дней — фактически прогнозируя погоду внутри этого моделирования.
Авторы отмечают, что GraphCast “значительно превосходит” HRES в 90% случаев предсказания. GraphCast также превосходит HRES в предсказании формы экстремальных горячих и холодных явлений. Они отмечают, что HRES лучше справляется с предсказаниями, связанными со стратосферой, чем с изменениями на поверхности погоды.
Важно понимать, что GraphCast не активно делает прогноз погоды. Проекцию на будущее он проявил только в эксперименте с заранее известными метеорологическими данными, а не в режиме реального времени.
Интересным ограничением GraphCast является его неловкость в предсказаниях, выходящих за 10-дневный период, отмечают Лэм и его команда. Как они пишут, “с увеличением времени увеличивается неопределенность”. GraphCast становится “размытым” при более неопределенных сценариях. Это подразумевает необходимость внесения изменений в GraphCast для более надежной работы с грейдерными временными рамками, вероятно, создавая “ансамбли” прогнозов, взаимоперекрывающихся. “Построение вероятностных прогнозов, явно моделирующих неопределенность … является следующим важным шагом”, пишут Лэм и его команда.
Также: Как модель погоды поможет ученым бороться с климатическим кризисом
Интересно, что DeepMind имеет большую амбицию по отношению к GraphCast. GraphCast является только одной из моделей климата, которые они планируют создать, и входит в более широкий интерес к симуляции. Программа работает с глобальными данными, которые моделируются со временем. Лэм и его команда предлагают, что этим способом можно моделировать и предсказывать и другие феномены, а не только погоду.
“GraphCast может открыть новые направления для других важных гео-прогнозных задач”, пишут они, “включая климат и экологию, энергетику, сельское хозяйство, человеческую и биологическую активность, а также другие сложные динамические системы.
“Мы считаем, что обученные симуляторы, основанные на богатых реальных данных, будут важным фактором в развитии роли машинного обучения в физических науках.”
