Штучний інтелект вперше перевершив у точності традиційні моделі прогнозу погоди

Вчені вважають це «поворотним моментом» у пророкуванні ураганів, циклонів та екстремальної спеки.

Заснована на штучному інтелекті модель прогнозу погоди GraphCast вперше перевершила існуючі системи прогнозів. GraphCast розроблена групою вчених із Google DeepMind. На відміну від традиційних методів модель GraphCast працює на основі машинного навчання з використанням історичних даних, в яких вона може знаходити неочевидні закономірності. Завдяки цьому її прогнози виявляються точнішими. У своєму дослідженні, опублікованому в журналі Science, група вчених називає результат порівняння GraphCast c традиційними моделями «поворотним моментом» у прогнозуванні ураганів, циклонів та екстремальних температур.

Однією з найточніших систем прогнозування погоди у світі вважається система High RESolution forecast (HRES), яку використовує Європейський центр середньострокових прогнозів погоди (ЄЦСПП).

Ця система, як і решта традиційних моделей передбачення погоди у світі, використовує так званий «чисельний прогноз». По суті він є рішенням безлічі рівнянь, що містять різні метеорологічні дані, за допомогою суперкомп'ютерів. При цьому, як зазначають вчені, з роками точність прогнозів зросла настільки, що траєкторію урагану можна передбачити за багато днів, що було немислимо ще кілька десятиліть тому.

Однак такий підхід має свої недоліки: по-перше, він потребує дуже великих обчислювальних ресурсів. По-друге, він обмежений тими закономірностями, які метеорологи вивчають та усвідомлено додають у модель у вигляді додаткових рівнянь та їх уточнень. Навчатися на історичних даних сама по собі така модель не може – для цього їй потрібен перекладач у вигляді дослідника.

В останні роки альтернативою цьому підходу стало машинне навчання, яке використовує історичні дані та самостійно будує прогноз лише на основі багаторічної статистики, без урахування «фізики» поведінки атмосфери.

Розвитком такого підходу стала розроблена вченими модель під назвою GraphCast. Вона створює точний 10-денний прогноз менш ніж за хвилину на одному пристрої Google Cloud TPU v4, тобто витрачає на кілька порядків менше обчислювальних даних, ніж існуючі суперкомп'ютерні системи. Як вихідні дані для прогнозу модель бере два стани погоди на Землі — в даний час і шість годин тому зібрані ЄЦСПП на основі глобальних метеорологічних спостережень.

Результати GraphCast вчені порівнювали з прогнозами системи HRES, яку використовує ЄЦСПП, за низкою показників, включаючи температуру, тиск, швидкість та напрям вітру, а також вологість на різних рівнях атмосфери. GraphCast перевершив HRES за 90,3% показниками з 1380.

Крім того, вчені тестували здібності GraphCast у передбаченні явищ, прогнозу яких він не був спеціально навчений - тропічних циклонів, атмосферних річок (це вузькі зони високої концентрації водяної пари в атмосфері) та екстремальних температур.

Як приклад успішного прогнозу вчені наводять ураган «Лі», який прийшов у Канаду у вересні 2023 року. За словами провідного автора статті Ремі Лама, GraphCast зміг передбачити, що «Лі» вийде на берег у Новій Шотландії за дев'ять днів до того, як це сталося — у порівнянні з шістьма днями для традиційних підходів. "Це дало людям ще три дні, щоб підготуватися до його прибуття", - сказав Лам журналістам газети Financial Times.

Однак, як зазначає FT, з передбаченням посилення урагану «Отіс» біля тихоокеанського узбережжя Мексики наприкінці жовтня штучний інтелект впорався не краще за традиційні моделі.

Ще однією перевагою моделей на основі штучного інтелекту вчені називають вартість їх покращень — підвищувати ефективність їхньої роботи можна за рахунок використання сучасного обладнання глибокого навчання (це один із видів машинного навчання), а не суперкомп'ютерів.

За словами координатора машинного навчання ЄЦСПП Метью Чантрі, після навчання GraphCast буде «надзвичайно дешевою в експлуатації». "Ми можемо говорити про те, що вона буде приблизно в тисячу разів дешевшою з точки зору енергоспоживання", - вважає Чантрі.

При цьому моделі, що використовують машинне навчання, критично залежать від якості та обсягу даних, джерелом яких у цьому випадку є архів традиційних «чисельних» прогнозів. Тому, як зазначають вчені, GraphCast слід розглядати не як заміну традиційних методів, а свідчення того, що моделі на основі машинного навчання здатні вирішувати проблеми реального прогнозування.

Самі вчені називають результати своїх досліджень "поворотним моментом" у прогнозуванні погоди.