Искусственный интеллект прогнозиста погоды Google DeepMind с легкостью превосходит глобальный стандарт
Искусственный интеллект прогнозирования погоды Google DeepMind легко превосходит мировой стандарт
В сентябре исследователи из отдела искусственного интеллекта DeepMind компании Google в Лондоне особенно внимательно следили за погодой за океаном. Ураган Ли был еще как минимум за 10 дней до прибытия на берег – это целые вечности в терминах прогнозирования, и официальные прогнозы все еще колебались между тем, куда ураган попадет – на крупные города Северо-востока или пройдет мимо них. Собственное экспериментальное программное обеспечение DeepMind дало очень конкретный прогноз прибытия на берег гораздо севернее. «Мы были прикованы к нашим местам», – говорит исследователь-ученый Реми Лам.
Через полторы недели, 16 сентября, Ли приземлился там, где ранее программное обеспечение DeepMind, называемое GraphCast, предсказало – на Лонг-Айленд, в Новую Шотландию, далеко от крупных населенных пунктов. Это стало частью прорывного сезона нового поколения моделей погоды, работающих на основе искусственного интеллекта, включая модели, созданные Nvidia и Huawei, чьи высокие результаты пришли внезапно. Ветераны прогнозирования сообщили ENBLE ранее в этом ураганном сезоне, что серьезные сомнения метеорологов в искусственном интеллекте были заменены ожиданием крупных изменений в будущем для этой области.
Сегодня Google поделилась новыми, подтвержденными публикациями об этом прорыве. В статье, опубликованной сегодня в журнале Science, исследователи DeepMind сообщают, что их модель превзошла прогнозы Европейского центра по среднесрочным прогнозам погоды (ECMWF), мирового гиганта в области прогнозирования погоды, на 90 процентов из более чем 1 300 атмосферных переменных, таких как влажность и температура. Что еще лучше, модель DeepMind могла быть запущена на ноутбуке и выдавала прогноз менее чем за минуту, в то время как обычным моделям требуется гигантский суперкомпьютер.
Прогноз погоды на десять дней на основе искусственного интеллекта для урагана Ли в сентябре точно предсказал, где он приземлится.
Вежливость Google
Стандартные погодные симуляции делают свои прогнозы, стараясь воспроизвести физику атмосферы. Они стали лучше с годами благодаря лучшей математике и использованию детализированных наблюдений о погоде от растущих армад сенсоров и спутников. Однако они также громоздкие. Прогнозы в крупных центрах прогнозирования погоды, таких как ECMWF или Национальная океаническая и атмосферная ассоциация США, могут занимать часы вычислений на мощных серверах.
- Ошибка обновления программного обеспечения Optus приводит к крупном...
- Фонд Linux поддерживает высокопроизводительные и эскалационные вычи...
- Canonical выпускает новое низкоприкосновенное открытое облачное реш...
Когда Питер Батталья, директор по исследованиям в DeepMind, начал изучать прогнозирование погоды несколько лет назад, казалось, что это идеальная задача для его конкретного типа обучения машин. DeepMind уже взялась за локальные прогнозы осадков с помощью системы, называемой NowCasting, обученной радарными данными. Теперь его команда хотела попробовать прогнозировать погоду в глобальном масштабе.
Батталья уже вел команду, которая фокусировалась на применении систем искусственного интеллекта, называемых графовыми нейронными сетями, или GNNs, для моделирования поведения жидкостей, классической физической задачи, которая может описывать движение жидкостей и газов. Учитывая, что прогнозирование погоды в своей сущности связано именно с моделированием потока молекул, использование GNN казалось интуитивным. Хотя тренировка этих систем – это систематическая работа, требующая сотен специализированных графических процессоров или GPU для обработки огромных объемов данных, конечная система оказывается легкой, что позволяет генерировать прогнозы быстро с минимальной вычислительной мощностью.
GNN представляют данные в виде математических “графов” – сетей взаимосвязанных узлов, которые могут влиять друг на друга. В случае прогнозов погоды DeepMind каждый узел представляет набор атмосферных условий в определенном месте, таких как температура, влажность и давление. Эти точки распределены по всему миру и на разных высотах – буквально облако данных. Цель состоит в прогнозировании того, как все данные на этих точках будут взаимодействовать с окружающими, улавливая, как условия будут меняться со временем.
Обучение программного обеспечения для осуществления хороших прогнозов требует правильных данных. DeepMind обучила свои сети точно прогнозировать, какие бы ни были начальные погодные условия, используя 39 лет наблюдений, собранных и обработанных ECMWF. Процесс предназначен для обучения программного обеспечения, как ожидать, что начальный набор атмосферных узоров будет изменяться с шагом в шесть часов. Каждый прогноз затем подается на следующий прогноз, в конечном итоге создавая прогноз на долгосрочную перспективу, которая может простирается на неделю.
Искусственно-интеллектуальная модель Google DeepMind быстро генерирует глобальные прогнозы для погодных условий, таких как влажность, температура и скорость ветра на поверхности.
Вежливость Google
Лам и Батталья считают выдающуюся производительность своей модели прогнозирования отправной точкой. Поскольку она может рассчитывать любой тип прогноза с такой легкостью, они считают возможным настроить версии модели для достижения еще лучших результатов для определенного вида погодных условий, таких как осадки, экстремальная жара или путь ураганов, или чтобы предоставлять более подробные прогнозы для конкретных регионов. Google также заявляет, что исследует возможность добавления GraphCast в свои продукты. (Компания недавно добавила другую модель искусственного интеллекта, разработанную для прогнозирования на более короткий срок, в свои прогнозы погоды, отображаемые на мобильных устройствах.)
Мэттью Чантри, который занимается разработкой прогнозирования на основе машинного обучения в ECMWF, говорит, что GraphCast от Google DeepMind стал самым сильным из AI-конкурентов. “Со временем он будет немного лучше постоянно”, – говорит он. “Это действительно захватывающе”. Кроме того, добавляет он, программа – единственный AI прогноз погоды, предлагающий прогнозы осадков – особенно сложную задачу для моделей AI, поскольку физика, порождающая дождь, обычно происходит с намного более точным разрешением, чем поддерживается данными, используемыми для их обучения.
Несмотря на сильные результаты Google, прогноз погоды далеко не решенный вопрос. Его AI модель не предназначена для предоставления ансамблевых прогнозов, которые детализируют несколько потенциальных результатов для шторма или другой погодной системы, вместе с диапазоном вероятностей, которые могут быть особенно полезными для крупных событий, таких как ураганы.
Модели AI также склонны занижать силу некоторых самых значительных событий, таких как штормы пятой категории. Возможно, это связано с тем, что алгоритмы предпочитают прогнозы, близкие к средним погодным условиям, и они осторожно относятся к прогнозированию экстремальных сценариев. Исследователи GraphCast также сообщили, что их модель не соответствует прогнозам ECMWF для условий в стратосфере – верхней части атмосферы, хотя пока не понятно, почему.
Основываться на исторических данных для обучения представляет собой потенциально серьезную слабость: а что, если погода будущего ничем не будет напоминать погоду прошлого? Поскольку традиционные модели погоды полагаются на законы физики, считается, что они в некоторой степени устойчивы к изменениям климата Земли. Погода меняется, но правила, управляющие ею, нет.
Батталия говорит, что способность системы DeepMind предсказывать широкий спектр погодных систем, включая ураганы, несмотря на то, что она видела относительно немного каждого типа в своих обучающих данных, подразумевает, что она усвоила физику атмосферы. Однако это одна из причин, по которой следует обучать модель на как можно более актуальных данных, говорит Батталия.
В прошлом месяце, когда ураган Отис обрушился на Акапулько, Мексика, его усиление и путь над миллионами людей ускользнули от предвидения всех моделей погоды, включая те, которые работают на AI. Такие штормы являются “выбросами среди выбросов”, говорит Брайан МакНолди, метеоролог из Майами. Прогнозисты всё ещё пытаются разобраться в том, почему это произошло, включая изучение пробелов в понимании того, как необычные океанские условия или процессы глубоко внутри шторма могут привести к его быстрому усилению. Какие бы новые идеи и данные не были получены, они будут применены как в традиционных моделях погодной физики, так и в недавно появившихся моделях AI, таких как GraphCast от Google.
ECMWF создает собственную модель прогнозирования погоды на основе AI, вдохновленную GraphCast, рассчитывая, что их глубокое знание физики атмосферы поможет создать еще более эффективную модель. Они планируют запустить прогнозы, основанные на AI, в ближайший год или два. Чантри надеется, что сообщество машинного обучения будет продолжать вкладывать свои усилия, деньги и вычислительные мощности в улучшение прогнозов погоды.
