Молния ударяет над сельской местностью недалеко от Потсдама, Германия, 10 июля 2024 года, после периода высоких температур.
Нет ничего более неприятного, чем строить планы на основе прогноза погоды, а затем на собственном опыте убедиться в ошибке прогноза, когда, например, во время пикника начинается град.
Теперь исследовательская лаборатория искусственного интеллекта DeepMind компании Google представила GenCast: модель прогноза погоды на основе искусственного интеллекта, которая обеспечивает более быстрые и точные 15-дневные прогнозы погоды, чем лучшие традиционные системы прогнозирования. Модель была подробно описана в исследовании, опубликованном на прошлой неделе в журнале. Природа.
«GenCast — это модель погоды на основе машинного обучения, которая учится непосредственно на исторических данных о погоде. Это контрастирует с традиционными моделями, которые делают прогнозы путем решения физических уравнений», — говорит Илан Прайс, исследователь DeepMind и соавтор исследования. ЗарегистрироватьсяТомас Клэберн. «Одним из ограничений этих традиционных моделей является то, что уравнения, которые они решают, являются лишь приближениями динамики атмосферы. GenCast не ограничивается динамикой/шаблонами обучения, которые точно известны и могут быть записаны в виде уравнения».
Исследовательская группа обучила GenCast историческим данным о погоде из Европейского центра среднесрочных прогнозов погоды (ECMWF) за период с 1979 по 2018 год. Они включали измерения температуры, скорости ветра и давления воздуха на разных высотах. Затем они протестировали 15-дневный прогноз модели на 1320 погодных явлениях 2019 года и сравнили его с прогнозами ECMWF, «мирового лидера в области прогнозирования атмосферы», согласно Нью-Йорк ТаймсУильям Дж. Броуд.
GenCast предсказывал как повседневную погоду, так и экстремальные явления более точно, чем модель ECMWF под названием ENS, превосходя ее в целых 97,2 процентах случаев.
«Превосходство ENS знаменует собой своего рода переломный момент в развитии искусственного интеллекта для прогнозирования погоды», — говорит Прайс. Хранитель» Йен Сэмпл. «По крайней мере, в краткосрочной перспективе эти модели будут сопровождать существующие традиционные подходы и дополнять их».
Ансамбльный прогноз GenCast дал широкий спектр возможных путей развития тайфуна Хагибис, обрушившегося на Японию в 2019 году. Поскольку период прогноза сузился, он сделал свой прогноз с большей уверенностью.
GenCast делает прогнозы погоды на основе снимков последних атмосферных условий и предоставляет их с разрешением 0,25 градуса, то есть в квадратах примерно 17,4 на 17,4 мили, согласно данным Хранитель. Он основан на предыдущих моделях погоды искусственного интеллекта DeepMind, таких как GraphCast, детерминистической модели, что означает, что она дает только один лучший прогноз погоды. GenCast, с другой стороны, генерирует 50 или более прогнозов, которые предоставляют ряд погодных сценариев.
Этот метод позволяет программе выражать неопределенность в прогнозе. «Если большинство прогнозов показывают, что циклон обрушится на одну и ту же область, неопределенность низкая. Но если они предсказывают разные места, неопределенность выше», — объясняет соавтор исследования Реми Лам в сообщении в блоге Google DeepMind. «GenCast обеспечивает правильный баланс, избегая как завышения, так и занижения уверенности в своих прогнозах».
GenCast может сгенерировать 15-дневный ансамблевый прогноз за восемь минут на одном Google Cloud TPU v5, компьютерном чипе, специализирующемся на обработке искусственного интеллекта и машинном обучении. Напротив, согласно сообщению, традиционные ансамблевые прогнозы делают прогнозы с помощью суперкомпьютеров часами.
«Это большое дело», — говорит Керри Эмануэль, ученый-климатолог из Массачусетского технологического института, который не участвовал в разработке DeepMind GenCast, Нью-Йорк Таймс. «Это важный шаг вперед».
Быстрые и точные прогнозы атмосферы, особенно в случае экстремальных погодных явлений, необходимы для спасения жизней, инфраструктуры и денег. Более точные прогнозы атмосферы также могут иметь значение для инфраструктуры зеленой энергетики, например, помогая предсказать, сколько энергии может быть произведено на ветряных электростанциях.
«Прогнозирование погоды находится на грани фундаментального изменения в методологии», — говорит Сара Дэнс, прикладной математик из Университета Рединга в Англии. Хранитель. Однако она также отмечает, что обучающий набор GenCast включал физические данные для заполнения пробелов в прошлых записях, и до этого «еще предстоит пройти долгий путь, прежде чем подходы машинного обучения смогут полностью заменить прогнозирование на основе физики».
Однако исследовательская группа планирует обнародовать свои данные в поддержку глобального сообщества прогнозистов погоды, что соответствует их цели усовершенствовать традиционные методы прогнозирования, а не заменять их.
«Это действительно большой вклад в открытую науку», — говорит Мэтью Чантри, координатор машинного обучения в ECMWF. Новости природыАликс Солиман.
