Google DeepMind утверждает, что ее новейшая модель искусственного интеллекта способна генерировать десятидневные прогнозы погоды менее чем за минуту и столь же точна, как и традиционные прогностические модели, работающие на суперкомпьютерах.
В статье, опубликованной во вторник в журнале Science, исследователи описали GraphCast: графовую нейронную сеть, состоящую из 36,7 миллионов параметров. Обученная на данных за 39 лет, собранных с 1979 по 2017 год Европейским центром среднесрочных прогнозов погоды (ECMWF) — исследовательским институтом, который круглосуточно обрабатывает глобальные числовые прогнозы погоды, — система выдает десятидневный прогноз погоды, разделенный на шестичасовые прибавки.
Модели ECMWF основаны на методах численного прогнозирования погоды, которые используют математическое моделирование, моделирующее движение атмосферы и океанов с помощью уравнений гидродинамики. Однако GraphCast для составления прогнозов анализирует погодные условия на спутниковых изображениях, радарах и измерениях метеорологических станций.
Модель разбивает глобальные карты, содержащие информацию об атмосферных и океанических данных, на сетки и обучается изучению взаимосвязей между различными погодными переменными, которые приводят к конкретным событиям, таким как следы тропических циклонов, атмосферные реки и волны тепла. GraphCast прогнозирует такие факторы, как температура, скорость и направление ветра, влажность и давление воздуха на 37 различных высотах, чтобы помочь спрогнозировать погоду.
«В комплексной оценке производительности по сравнению с детерминированной системой золотого стандарта, [the ECMWF’s High Resolution Forecast]GraphCast предоставил более точные прогнозы по более чем 90 процентам из 1380 тестовых переменных и спрогнозировал сроки выполнения заказов», — заявил Реми Лам, ведущий автор статьи и научный сотрудник Google ДипМайнд.
«Когда мы ограничили оценку тропосферой, областью атмосферы высотой 6–20 километров, ближайшей к поверхности Земли, где точный прогноз наиболее важен, наша модель превзошла HRES по 99,7 процентам тестовых переменных для будущей погоды», — добавил он.
Хотя процесс обучения GraphCast требует больших вычислительных ресурсов и требует запуска кластера из 32 GoogleCloud TPU v4 в течение четырех недель, окончательную обученную модель можно запустить на одном Google Машина TPU v4 (которая включает в себя четыре чипа TPU v4). Прогноз на десять дней можно создать менее чем за минуту, что быстрее, чем часы, которые обычно занимают модели численного прогноза погоды, работающие на суперкомпьютерах.
Как и все модели искусственного интеллекта, производительность GraphCast зависит от качества данных. «GraphCast теперь является самой точной десятидневной глобальной системой прогнозирования погоды в мире и может предсказывать экстремальные погодные явления в более отдаленном будущем, чем это было возможно ранее. данные о качестве становятся доступными», — заявил Лам.
Однако прогнозы GraphCast не идеальны. Данные, которые он генерирует, иногда неполны, а в областях неопределенности происходит пространственное размытие, а это означает, что его прогнозы могут оказаться бесполезными при попытке рассчитать вероятности различных погодных явлений, известных как ансамблевые прогнозы. Он также изо всех сил пытается генерировать прогнозы атмосферных данных высоко в стратосфере, а также систему прогнозов высокого разрешения ECMWF.
Так может ли ИИ заменить старые и громоздкие модели численного прогнозирования погоды? Не совсем, к сожалению.
Исследователи признали, что GraphCast в первую очередь полагался на традиционные методы для получения качественных данных и что система прогнозов высокого разрешения ECMWF может производить другие типы прогнозов, которые ИИ пока не может.
«Наш подход не следует рассматривать как замену традиционных методов прогнозирования погоды, которые разрабатывались десятилетиями, тщательно тестировались во многих реальных условиях и предлагают множество функций, которые мы еще не исследовали», — заключили они в своей статье.
«Скорее нашу работу следует интерпретировать как свидетельство того, что [machine learning-based weather prediction] способен решать задачи реального прогнозирования и имеет потенциал для дополнения и улучшения существующих на данный момент лучших методов».
Google DeepMind опубликовал здесь код GraphCast. ®
