Google DeepMind разработва алгоритъм за машинно обучение, за който твърди, че може да предсказва времето по-точно от сегашните методи за прогнозиране, използващи суперкомпютри.

Моделът на Google, наречен GraphCast, генерира по-точна 10-дневна метеорологична прогноза от системата с висока разделителна способност (HRES), управлявана от Европейския център за средносрочни прогнози за времето (ECMWF).

Освен това алгоритъмът изготвя прогнозите си за минути, а не за часове. Google DeepMind маркира HRES като текущата златна стандартна система за симулация на времето.

GraphCast, който може да работи на настолен компютър, превъзхожда ECMWF при повече от 99% от метеорологичните променливи в 90% от 1300 тестови региона, според резултатите, публикувани в списание Science.

Учените обаче уточняват, че алгоритъмът не е безупречен, защото AI не може да обясни как е стигнал до съответния модел или да покаже работата му. Компанията смята, че технологията трябва да се използва за допълване, а не за замяна на установените метеорологични инструменти.

Прогнозите на времето разчитат на включването на данни в сложни физически модели и използването на суперкомпютри за провеждане на симулации. Точността на предвижданията разчита на детайлите в рамките на моделите, които са енергоемки и скъпи за изпълнение.

Но метеорологичните модели за машинно обучение могат да работят по-евтино, защото се нуждаят от по-малко изчислителна мощност и работят по-бързо.

За целите на своя нов модел на изкуствен интелект изследователите обучили GraphCast на глобални метеорологични показания за 38-те години до 2017 г.

Алгоритъмът установява модели и взаимовръзки между фактори, като въздушно налягане, температура, вятър и влажност, като дори изследователите си признават, че не разбират докрай механизмите, по които работи.

След това обучение моделът екстраполирал своите предвиждания на база реални прогнози за времето, направени през 2018 г., чрез които изготвил 10-дневни прогнози за по-малко от минута.

Изпълнявайки GraphCast заедно с прогнозата с висока разделителна способност на ECMWF, която използва по-конвенционални физически модели за правене на прогнози, учените установили, че GraphCast дава по-точни прогнози за повече от 90% от общо 12 000 използвани точки от данни.

GraphCast може също така да прогнозира екстремни метеорологични събития, като горещи вълни, студове и тропически бури.

При премахване на горните атмосферни слоеве на Земята от алгоритъма, оставйки само най-ниското ниво на атмосферата - тропосферата, където метеорологичните явления, които влияят на хората, са видни, точността се повишава до над 99%.  

"През септември версия на нашия публично достъпен модел GraphCast, разгърнат на уебсайта на ECMWF, точно прогнозира около девет дни предварително, че ураганът Лий ще стигне до Нова Скотия.

За разлика от него, традиционните прогнози имаха по-голяма променливост в това къде и кога ще се случи бедствието и посочи Нова Скотия около шест дни предварително“, пише Реми Лам, изследователски инженер в DeepMind.

Въпреки впечатляващата производителност на модела, учените не смятат, че той ще измести използваните в момента инструменти. Все още са необходими редовни прогнози за проверка и задаване на началните данни.

Тъй като алгоритмите за машинно обучение дават резултати, които не могат да обяснят, те могат да бъдат склонни към грешки или „халюцинации“, според изследователите.

AI моделите обаче могат да допълнят конвеницоналните прогностични методи и да генерират по-бързи прогнози. Те също могат да помогнат на учените да видят промените в климатичните модели с течение на времето и да получат по-ясна представа за голямата картина.

"Пионерските проекти в метеорологичните прогнози, базирани на AI, ще бъдат от полза за милиарди хора в ежедневието им. Но нашето по-широко изследване не е само за предвиждане на времето. То е за разбиране на по-широките модели на нашия климат“, пише Лам. 

По думите му, разработването на нови инструменти и ускоряването на изследванията може да даде възможност на човечеството да се справи с някои от най-големите екологични предизвикателства.

Прочети още

Виж всички