Погодные модели искусственного интеллекта теперь могут превзойти лучшие традиционные прогнозы

По словам ученых, новая модель прогнозирования погоды с машинным обучением под названием GenCast может превзойти лучшие традиционные системы прогнозирования, по крайней мере, в некоторых ситуациях. статья исследователей Google DeepMind опубликовано сегодня в Природа.

Используя подход диффузионной модели, аналогичный генераторам изображений искусственного интеллекта (ИИ), система генерирует несколько прогнозов, чтобы отразить сложное поведение атмосферы. Для этого требуется гораздо меньше времени и вычислительных ресурсов, необходимых для традиционных подходов.

Как работают прогнозы погоды

Прогнозы погоды, которые мы используем на практике, производятся путем многократного численного моделирования атмосферы.

Каждая симуляция начинается с немного отличающейся оценки текущей погоды. Это потому, что мы не знаем точно, какая погода в данный момент во всем мире. Чтобы узнать это, нам потребуются измерения датчиков повсюду.

В этом численном моделировании используется модель мировой атмосферы, разделенная на сетку трехмерных блоков. Решая уравнения, описывающие фундаментальные физические законы природы, моделирование предсказывает, что произойдет в атмосфере.

Эти модели, известные как модели общей циркуляции, требуют большой вычислительной мощности. Обычно они выполняются на высокопроизводительных суперкомпьютерах.

Машинное обучение погоде

За последние несколько лет произошел взрывной рост усилий по производству модели прогнозирования погоды использование машинного обучения. Как правило, эти подходы не учитывают наши знания о законах природы, как это делают модели общей циркуляции.

Большинство этих моделей используют ту или иную форму нейронной сети для изучения закономерностей в исторические данные и составить единый прогноз на будущее. Однако этот подход дает прогнозы, которые теряют детализацию по мере продвижения в будущее и постепенно становятся «более плавными». Эта плавность — это не то, что мы видим в реальных погодных системах.

Исследователи из исследовательской лаборатории искусственного интеллекта DeepMind компании Google только что опубликовали документ в Природа описывая свои последние машинное обучение модель GenCast.

GenCast смягчает этот эффект сглаживания, создавая ансамбль из нескольких прогнозов. Каждый отдельный прогноз менее гладкий и больше напоминает сложность, наблюдаемую в природе.

Наилучшая оценка фактического будущего получается путем усреднения различных прогнозов. Размер различий между отдельными прогнозами показывает, насколько велика неопределенность.

Согласно статье GenCast, этот вероятностный подход создает более точные прогнозы, чем лучшая в мире система численного прогнозирования погоды — та, что находится Европейский центр среднесрочных прогнозов погоды.

Генеративный ИИ — для погоды

GenCast обучен на так называемых данных реанализа за период с 1979 по 2018 годы. Эти данные создаются с помощью моделей общей циркуляции, о которых мы говорили ранее, которые дополнительно корректируются, чтобы соответствовать реальным историческим наблюдениям за погодой, чтобы создать более последовательную картину мировая погода.

Модель GenCast прогнозирует несколько переменных, таких как температура, давление, влажность и скорость ветра на поверхности и на 13 различных высотах, на сетке, которая делит мир на регионы широты и долготы с шагом 0,25 градуса.

GenCast — это так называемая «модель диффузии», похожая на генераторы изображений ИИ. Однако вместо того, чтобы брать текст и создавать изображение, он берет текущее состояние атмосферы и дает оценку того, какой она будет через 12 часов.

Это работает, сначала устанавливая значения атмосферных переменных на 12 часов вперед как случайный шум. Затем GenCast использует нейронную сеть для поиска в шуме структур, совместимых с текущими и предыдущими погодными переменными. Ансамбль нескольких прогнозов можно создать, начиная с различного случайного шума.

Прогнозы выполняются за 15 дней, что занимает 8 минут на одном процессоре, называемом тензорным процессором (TPU). Это значительно быстрее, чем модель с общей циркуляцией. Обучение модели заняло пять дней с использованием 32 ТПУ.

Прогнозы с помощью машинного обучения могут получить более широкое распространение в ближайшие годы, поскольку они станут более эффективными и надежными.

Однако классический численный прогноз погоды и данные повторного анализа по-прежнему потребуются. Они нужны не только для обеспечения начальных условий для машинного обучения. прогнозы погодыони также создают входные данные для постоянной настройки моделей машинного обучения.

А как насчет климата?

Существующие системы прогнозирования погоды с машинным обучением не подходят для прогнозирования климата по трем причинам.

Во-первых, чтобы прогнозировать погоду на несколько недель вперед, вы можете предположить, что океан, суша и морской лед не изменятся. Это не относится к прогнозам климата на несколько десятилетий.

Во-вторых, прогноз погоды во многом зависит от деталей текущей погоды. Однако климатические прогнозы касаются статистики климата на десятилетия вперед, для которой сегодняшняя погода не имеет значения. Будущие выбросы углерода являются более значимым фактором, определяющим будущее состояние климата.

В-третьих, прогноз погоды — это проблема «больших данных». Существует огромное количество соответствующих данных наблюдений, а это именно то, что вам нужно для обучения сложной модели машинного обучения.

Прогноз климата представляет собой проблему «небольших данных», при этом доступных данных относительно мало. Это связано с тем, что соответствующие физические явления (такие как уровень моря или климатические факторы, такие как Эль-Ниньо и Южное колебание) развиваются гораздо медленнее, чем погода.

Есть способы решения этих проблем. Один из подходов — использовать наши знания физики, чтобы упростите наши моделиЭто означает, что им требуется меньше данных для машинного обучения.

Другой подход заключается в использовании нейронные сети, основанные на физике попытаться подогнать данные, а также удовлетворить законы природы. Третье – это используйте физику, чтобы установить «основные правила» для системы, а затем используйте машинное обучение для определения конкретных параметров модели.

Машинное обучение сыграет важную роль в будущем как в прогнозировании погоды, так и в прогнозировании климата. Однако фундаментальная физика…механика жидкости и термодинамика — будут продолжать играть решающую роль.

Эта статья переиздана с Разговор по лицензии Creative Commons. Прочтите оригинальная статья.