GraphCast: sztuczna inteligencja Google DeepMind do prognozowania pogody przewyższa tradycyjną technologię

We wrześniu naukowcy z jednostki Google DeepMind AI w Londynie w Wielkiej Brytanii zwrócili niezwykłą uwagę na klimat za oceanem. Huragan Lee miał co najmniej 10 dni od dotarcia na ląd, czyli eony w prognozach, a oficjalne prognozy nadal wahały się między burzą, która dotarła do głównych miast na północnym wschodzie, a w ogóle nie dotarła. król Programowanie Eksperyment DeepMIND przewidział bardzo dokładnie, że dotrze dalej na północ. „Byliśmy przyklejeni do miejsc” – mówi naukowiec Remi Lamm.

Półtora tygodnia później, 16 września, Lee dotarł na ląd w miejscu, w którym się znajdował Programowanie Z DeepMind tzw GrafCastKilka dni temu przepowiedziała: Long Island w Nowej Szkocji, z dala od dużych skupisk ludności. Rozpoczęło to okres przełomów w nowej generacji modeli pogodowych AI, w tym innych stworzonych przez Nvidię i Huawei, których imponująca wydajność zaskoczyła branżę. Doświadczeni meteorolodzy powiedzieli WIRED na początku sezonu huraganów, że alarmujący sceptycyzm ekspertów wobec sztucznej inteligencji został zastąpiony oczekiwaniami ogromnych zmian w tej dziedzinie.

Dzisiaj Google udostępnia nowe, zweryfikowane dowody, które potwierdzają tę obietnicę. W artykule opublikowanym w NaukiBadacze DeepMind podają, że ich model przewyższa prognozy Europejskiego Centrum Prognoz Średnioterminowych (ECMWF), światowego giganta prognoz klimatycznych, W 90% z ponad 1300 zmiennych pogodowych, takich jak wilgotność i temperatura. Co więcej, model DeepMind działa laptop Zwraca przewidywania w czasie krótszym niż minuta, podczas gdy tradycyjne modele wymagają ogromnego superkomputera.

Jak uzyskać prognozę pogody GraphCast za pomocą sztucznej inteligencji

Standardowe symulacje pogody dokonują prognoz, próbując odtworzyć fizykę atmosfery. Z biegiem lat uległ on poprawie dzięki udoskonalonej matematyce i włączeniu coraz precyzyjnych obserwacji klimatu z coraz większej liczby czujników i satelitów. To także wyczerpujące. Prognozy z głównych ośrodków, takich jak ECMWF czy US National Oceanic and Atmospheric Association, wymagają godzin obliczeń na wydajnych serwerach.

Kiedy kilka lat temu Peter Battaglia, dyrektor ds. badań w DeepMind, zaczął studiować prognozowanie pogody, wydawało się, że jest to idealny problem dla jego marki uczenia maszynowego. Jednostka sztucznej inteligencji Google opracowała już lokalne prognozy opadów za pomocą systemu o nazwie NowCasting, korzystającego z danych radarowych. Teraz jego zespół chciał spróbować przewidzieć klimat w skali globalnej.

Battaglia kierował już zespołem zajmującym się zastosowaniem systemów sztucznej inteligencji zwanych graficznymi sieciami neuronowymi, w skrócie GNN, do opracowania modeli zachowania płynów, co stanowi klasyczne wyzwanie w fizyce stosowane do opisu ruchu cieczy i gazów. Ponieważ prognozowanie pogody zasadniczo polega na modelowaniu przepływu cząstek, przejście na sieci GNN wydawało się logicznym wyborem. Chociaż szkolenie tych systemów jest trudne i wymaga setek wyspecjalizowanych procesorów graficznych, czyli procesorów graficznych, do przetwarzania ogromnych ilości danych, ostateczny system jest ostatecznie lekki, co umożliwia szybkie generowanie prognoz przy minimalnym obciążeniu.Moc obliczeniowa.