Исследователи Google разработали симулятор на базе искусственного интеллекта, который гарантирует точность прогнозов погоды, сокращая при этом объем необходимых вычислений. Он получил название NeuralGCM и обеспечивает прогнозы, не уступающие по точности традиционным моделям, которые, тем не менее, более ресурсоемки и медленны.
Прогнозы погоды основаны на динамических моделях уравнений механики и жидкостей, управляемых суперкомпьютерами. С момента своего появления около 70 лет назад эти модели использовались как профессионалами в области метеорологии, так и климатологами. С тех пор они продолжают развиваться, но это развитие сопровождается ростом потребности в вычислительных мощностях.
За прошедшие годы было предложено множество подходов, направленных на снижение интенсивности вычислений. Однако климатологов всегда озадачивала надежность этих моделей, в частности их неспособность точно воспроизвести оригинальные методы расчета. Более того, эти модели в основном ориентированы на исторические данные, что делает их неспособными предсказывать явления, которые никогда не происходили, но происходят сейчас в связи с изменением климата.
Учитывая это, исследовательская группа из Google в сотрудничестве с экспертами из Массачусетского технологического института, Гарварда и Европейского центра метеорологического прогнозирования применила более сложный подход, основанный на искусственном интеллекте.
В своем исследовании, опубликованном в журнале Nature, ученые утверждают, что их модель является более точной и экономически эффективной для задач среднесрочного прогнозирования погоды. Модель, получившая название NeuralGCM, сочетает в себе лучшие черты традиционных моделей и новый подход, основанный на машинном обучении. В частности, ключ к созданию этого симулятора заключается в обучении нейронных сетей прогнозированию погоды с использованием исторических данных для закрепления полученных знаний.
Обсуждая процесс создания NeuralGCM, команда заявила в пресс-релизе Массачусетского технологического института, что им удалось избежать проблем, которые наблюдались в предыдущих экспериментах при использовании только искусственного интеллекта.
Когда инновации стоят во главе угла
Чтобы отразить крупномасштабные погодные и климатические системы, обычные климатические модели собирают физические данные, преобразованные в векторные данные и алгоритмы, в которых классифицируются основные компоненты земной системы: суша, атмосфера, океан и лед. Однако облака, осадки и циклоны/торнадо иногда имеют настолько малые масштабы, что провести моделирование с более высоким разрешением с их учетом невозможно. Ученые обычно оценивают их по реальным данным, которые постоянно корректируются, а затем программируют их как «параметры» в моделях.
Экспериментальная модель NeuralGCM — это, по сути, «модель общей циркуляции», содержащая математическое описание физического состояния атмосферы Земли. В то же время она способна решать сложные уравнения для прогнозирования погодных условий. Чтобы гарантировать результаты, соответствующие законам физики, в ней также используется машинное обучение. Сочетание этих двух методов позволяет ему справляться как с мелкими, так и с крупномасштабными оценками, ограничивая при этом количество вычислений, а значит, и потребление энергии.
Прогнозы с высоким разрешением
Интегрировав в симулятор NeuralGCM изображения, представляющие атмосферные условия, исследователи смогли добиться значительного улучшения нашего понимания метеорологических взаимодействий. Благодаря этому новому подходу, даже при использовании данных низкого разрешения NeuralGCM способен получать результаты прогнозирования с высоким разрешением за очень короткое время вычислений. Так, команда сообщила, что модель обработала 70 000 дней симуляций всего за 24 часа, используя один тензорный процессор (TPU).
Для дальнейшего анализа эффективности NeuralGCM команда сравнила ее с другими моделями, используя WeatherBench 2 (стандартный набор тестов для прогнозирования погоды). По словам исследователей, результаты оказались убедительными. Для прогнозов на 3 и 5 дней NeuralGCM превзошел Pangu и GraphCast (эталонные модели погоды с машинным обучением). Для прогнозов на 10 и 15 дней NeuralGCM был столь же точен, как и лучшие традиционные модели, используемые сегодня. Симулятор даже смог предсказать менее распространенные погодные явления, такие как тропические циклоны и атмосферные реки.
Хотя краткосрочные прогнозы погоды становятся все более надежными благодаря достижениям в области искусственного интеллекта, применение подобных методов для моделирования климата по-прежнему сопряжено со многими трудностями. Тим Палмер из Оксфордского университета высказал свои опасения: «Мне не очень нравится идея, что мы полностью отказываемся от уравнений движения и прибегаем к помощи системы искусственного интеллекта, которую даже эксперты скажут, что не очень понимают«.
Тем не менее, этот гибридный подход к NeuralGCM проложил путь к новым знаниям, подчеркнув будущие последствия и направления метеорологии, управляемой искусственным интеллектом. «Это шаг в правильном направлении, и именно такое исследование нам следует проводить. Приятно видеть все эти альтернативные методы«, — заключает Палмер.
