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.
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.
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.
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.