Google AI прогнозирует долгосрочные климатические тенденции и погоду за считанные минуты

Новая компьютерная модель, объединяющая традиционные методы прогнозирования погоды с машинным обучением, превзошла другие инструменты на основе ИИ в прогнозировании как краткосрочных погодных сценариев, так и долгосрочных климатических тенденций. Эта инновационная модель, представленная в Nature 22 июля, является первым инструментом машинного обучения, способным производить точные ансамблевые прогнозы, которые предлагают ряд возможных сценариев. Она обещает более быстрое и энергоэффективное прогнозирование по сравнению с текущими методами, при этом предоставляя большую детализацию, чем модели, полагающиеся исключительно на ИИ.

Соавтор исследования Стефан Хойер из Google Research подчеркивает, что в отличие от традиционных климатических моделей, для которых требуются суперкомпьютеры, эта новая модель может предоставлять прогнозы за считанные минуты. Хотя модели общей циркуляции (GCM) используют физику для моделирования атмосферных и океанических процессов Земли и прогнозирования погоды и климата, они требуют значительной вычислительной мощности. Однако достижения в области машинного обучения позволяют создавать более эффективные модели прогнозирования, используя обширные исторические данные о погоде.

Существующие модели машинного обучения, такие как Pangu-Weather от Huawei и GraphCast от DeepMind, предлагают аналогичную точность традиционных GCM для отдельных прогнозов, но не достигают результатов в ансамблевом прогнозировании и долгосрочных климатических прогнозах. Скотт Хоскинг из Института Алана Тьюринга отмечает, что хотя модели машинного обучения обучаются на существующих данных, их необходимо экстраполировать в будущее по мере изменения климатических условий. Включение физических принципов в эти модели помогает гарантировать, что они остаются реалистичными и точными.

Гибридная модель

Хойер и его команда разработали NeuralGCM, гибридную модель, которая объединяет традиционные атмосферные решатели на основе физики с компонентами ИИ. NeuralGCM использовалась для создания как краткосрочных, так и долгосрочных прогнозов погоды, а также климатических проекций. Команда оценила ее эффективность, сравнив ее прогнозы с реальными данными и результатами других моделей, включая модели общей циркуляции (GCM) и чисто машинно-обучаемые инструменты.

NeuralGCM хорошо показала себя в предоставлении точных краткосрочных прогнозов (на один-три дня вперед), используя при этом значительно меньше энергии, чем GCM. Она также показала меньше ошибок в долгосрочных прогнозах (более семи дней) по сравнению с другими моделями машинного обучения. Ее долгосрочные прогнозы были на одном уровне с ансамблевой моделью Европейского центра среднесрочных прогнозов погоды (ECMWF-ENS), которая считается эталоном в прогнозировании погоды. Кроме того, NeuralGCM преуспел в прогнозировании определенных погодных явлений, таких как тропические циклоны, превзойдя как чистые модели машинного обучения, так и сверхвысокоточные модели глобального разрешения штормов с точки зрения точности и реалистичности.

Скотт Хоскинг подчеркивает важность точного прогнозирования для улучшения принятия решений и готовности. Хойер и его команда планируют продолжить совершенствование NeuralGCM, включив больше аспектов науки о Земле для повышения ее точности и эффективности в будущих версиях.