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.
„Amatorski praktykujący muzykę. Wieloletni przedsiębiorca. Odkrywca. Miłośnik podróży. Nieskrępowany badacz telewizji.”
