Компания Google DeepMind, специализирующаяся на искусственном интеллекте (ИИ), разработала модель прогнозирования погоды, которая превосходит как лучшие традиционные инструменты, так и другие подходы ИИ к решению этой задачи.
ИИ-модель, разработанная DeepMind, предсказывает погоду точнее всех существующих методов
Компания Google DeepMind, специализирующаяся на искусственном интеллекте, разработала модель прогнозирования погоды, которая превосходит как лучшие традиционные инструменты, так и другие подходы ИИ к решению этой задачи.
NASA
Предсказания погоды — это крайне трудная и энергоемкая задача. Причем при решении стандартными методами существуют принципиальные ограничения и точности, и продолжительности прогноза. Например, такие модели не могут давать предсказания более чем на две недели вперед. Вся надежда на ИИ.
Модель, получившая название GraphCast, может работать с настольного компьютера и делает более точные прогнозы, чем обычные модели, за несколько минут, а не часов.
Прогнозирование погоды — это трудно
Стандартные прогнозы погоды являются результатом интенсивной обработки данных, поступающих с метеостанций по всему миру.
Стандартный подход называется численным прогнозированием погоды (NWP). При этом используются математические модели, основанные на физических принципах. Эти инструменты, известные как физические модели, с помощью суперкомпьютеров обрабатывают данные о погоде, поступающие с буев, спутников и метеостанций по всему миру. Расчеты точно определяют перемещение тепла, воздуха и водяного пара в атмосфере, однако работа таких моделей требует больших затрат энергии и времени.
Революция в прогнозировании
Теоретическая схема работы модели DeepMind
Чтобы снизить финансовые и энергетические затраты на прогнозирование, несколько технологических компаний разработали модели машинного обучения, позволяющие быстро предсказывать будущее состояние глобальной погоды на основе прошлых и текущих метеорологических данных. Среди них — DeepMind, производитель компьютерных чипов Nvidia, китайская технологическая компания Huawei, а также целый ряд стартапов, таких как Atmo из Беркли (Калифорния). Среди них модель Pangu-weather компании Huawei является наиболее сильным конкурентом системы NWP Европейского центра среднесрочных прогнозов погоды (ECMWF) в Рединге (Великобритания), которая обеспечивает лучшие в мире прогнозы погоды на срок до 15 дней.
По словам Мэтью Чантри из ECMWF, машинное обучение стало толчком к революции в прогнозировании погоды. Модели с искусственным интеллектом работают в 1000-10 000 раз быстрее, чем обычные модели NWP, оставляя больше времени для интерпретации и передачи прогнозов.
Модель GraphCast, разработанная лондонской компанией DeepMind, специализирующейся на искусственном интеллекте, превосходит традиционные подходы и подходы, основанные на искусственном интеллекте, при решении большинства задач глобального прогнозирования погоды. Сначала исследователи обучили модель, используя оценки погоды в мире за период с 1979 по 2017 год, сделанные с помощью физических моделей. Это позволило GraphCast изучить связи между такими погодными переменными, как атмосферное давление, ветер, температура и влажность.
Обученная модель использует «текущее» состояние глобальной погоды и оценки погоды, сделанные на 6 часов раньше, для прогнозирования погоды на 6 часов вперед. Более ранние прогнозы снова поступают в модель, что позволяет ей делать прогнозы на более отдаленную перспективу. Исследователи DeepMind обнаружили, что GraphCast может использовать оценки глобальной погоды за 2018 год для составления прогнозов на 10 дней вперед менее чем за минуту, и эти прогнозы точнее, чем прогнозы системы прогнозирования высокого разрешения ECMWF (HRES) — одной из версий NWP — на составление которых уходят часы.
GraphCast предсказала состояние 5 погодных переменных вблизи поверхности Земли, таких как температура воздуха на высоте 2 м над землей, и 6 атмосферных переменных, таких как скорость ветра, вдали от поверхности Земли.
Как ИИ предсказывает погоду? Этого мы не знаем
По словам Чантри, модели машинного обучения, которые пока еще являются экспериментальными, не заменяют полностью традиционные подходы, а могут повысить эффективность отдельных видов прогнозирования погоды, с которыми стандартные подходы не справляются, например, прогнозирования осадков, которые выпадут на землю в течение нескольких часов.
«Стандартные физические модели все еще необходимы для получения оценок глобальной погоды, которые первоначально используются для обучения моделей машинного обучения», — говорит Чантри. «Я полагаю, что пройдет еще два-пять лет, прежде чем люди смогут использовать прогнозы, полученные с помощью методов машинного обучения, для принятия решений в реальном мире», — добавляет он.
«Пока же необходимо устранить проблемы, связанные с подходами машинного обучения. В отличие от моделей NWP, исследователи не могут полностью понять, как работают такие ИИ, как GraphCast, поскольку процессы принятия решений происходят в "черном ящике" ИИ», говорит Адитья Гровер из Калифорнийскоого университета Лос-Анжелесаю - «Это ставит под сомнение их надежность».