Експериментальна лабораторія Google DeepMind оголосила про розробку системи GraphCast, яка за допомогою штучного інтелекту надзвичайно точно і швидко складає прогноз погоди на найближчі 10 днів.
Про це повідомляється на сайті лабораторії, а на спеціальній сторінці можна ознайомитися з самим механізмом прогнозування.Важливо
Учені нажахані: штучний інтелект навчився планувати біологічні атаки
У своїй опублікованій науковій статті автори моделі GraphCast вказують, що їхній штучний інтелект набагато швидше і точніше справляється з прогнозуванням, ніж будь-яка галузева система моделювання погоди, навіть найвідоміша з них, створена Європейським центром середньострокових прогнозів погоди (ECMWF).
GraphCast також може заздалегідь попереджати про екстремальні погодні явища. Він може з великою точністю передбачати сліди циклонів у майбутньому, визначати атмосферні потоки, пов’язані з ризиком повеней, і передбачати настання екстремальних температур. Ця здатність потенційно може врятувати життя шляхом більшої готовності рятувальників і цивільних служб.
Найважливіше, що код команда Google DeepMind залишить відкритим вихідний код моделі GraphCast, що дасть змогу вченим і прогнозистам у всьому світі приносити користь мільярдам людей у їхньому повсякденному житті. GraphCast вже використовується метеорологічними агентствами, зокрема ECMWF, який проводить експеримент із прогнозами нашої моделі на своєму вебсайті.
Чим інструмент ШІ відрізняється від звичайних засобів прогнозування
Прогнози зазвичай ґрунтуються на чисельному прогнозі погоди (ЧПП), який починається з ретельно визначених фізичних рівнянь, які потім перекладаються в комп’ютерні алгоритми, що виконуються на суперкомп’ютерах. Хоча цей традиційний підхід став тріумфом науки й техніки, розробка рівнянь і алгоритмів забирає багато часу і вимагає глибоких знань, а також дорогих обчислювальних ресурсів для отримання точних прогнозів.
Глибоке навчання моделі ШІ пропонує інший підхід: використання даних замість фізичних рівнянь для створення системи прогнозу погоди. GraphCast навчається на основі історичних даних про погоду за десятиліття, щоб вивчити модель причинно-наслідкових зв’язків, які керують розвитком погоди на Землі від сьогодення до майбутнього.
Важливо зазначити, що GraphCast і традиційні підходи йдуть рука об руку. Експерти навчали GraphCast на даних повторного аналізу погоди за чотири десятиліття з величезної бази даних. База заснована на історичних спостереженнях за погодою, як-от супутникові зображення, радари та метеостанції, які використовують традиційне ЧПП для “заповнення прогалин” там, де спостереження неповні.
Точний прогноз у будь-якій географічній точці
GraphCast робить прогнози з високою роздільною здатністю 0,25 градуса довготи/широти (28 х 28 км по екватору). Це понад мільйон точок сітки, що покривають всю поверхню Землі. У кожній точці сітки модель прогнозує п’ять змінних земної поверхні, включно з температурою, швидкістю і напрямком вітру, а також середнім тиском на рівні моря, і шість атмосферних змінних на кожному з 37 рівнів висоти, включно з питомою вологістю, швидкістю і напрямком вітру, а також шість атмосферних змінних на кожному з 37 рівнів висоти.
Хоча навчання GraphCast вимагало великих обчислювальних ресурсів, отримана модель прогнозування виявилася дуже ефективною. Створення 10-денних прогнозів за допомогою GraphCast займає менше ніж хвилину на одному комп’ютері Google TPU v4. Для порівняння, 10-денний прогноз з використанням традиційного підходу, такого як HRES, може зайняти години обчислень на суперкомп’ютері з сотнями машин.
У численних тестуваннях GraphCast передбачив точніші прогнози за більш ніж 90% із 1380 тестових змінних. А коли дослідники обмежили оцінку тропосферою, областю атмосфери заввишки 6-20 кілометрів, найближчою до поверхні Землі, де точний прогноз найбільш важливий, модель перевершила HRES за 99,7% тестових змінних для майбутньої погоди.
Для вхідних даних GraphCast потрібно всього два набори даних: стан погоди 6 годин тому і поточний стан погоди. Потім модель передбачає погоду на 6 годин вперед. Потім цей процес можна буде розгорнути з кроком у 6 годин, щоб забезпечити найсучасніші прогнози на термін до 10 днів.
Майбутнє GraphCast
Новою розробкою Google DeepMind уже зацікавилися метеорологи по всьому світу. GraphCast уже включено в системи прогнозування погоди від Google DeepMind і Google Research, включно з регіональною моделлю поточного прогнозування, яка дає прогнози на 90 хвилин вперед. Так само механізм ШІ GraphCast задіяний у системі прогнозування MetNet-3, регіональній моделі, що працює в США і Європі, яка виробляє більш точні 24-годинні прогнози, ніж будь-яка інша система.
