A mai időjárás-előrejelzések összetett modelleken alapulnak, amelyek magukban foglalják a légkör és az óceánok dinamikáját szabályozó törvényeket, és ezek a modellek a létező legerősebb szuperszámítógépeken futnak. Az Alphabet (a Google anyavállalata) azonban a DeepMind által kifejlesztett mesterséges intelligenciának köszönhetően egyetlen személyi számítógép méretű géppel egyetlen perc alatt megjósolta a globális időjárási viszonyokat a következő 10 napra. A A Google AI előrejelzi az időjárást és ez még csak most kezdődött.
Ebben a cikkben elmondjuk, hogyan jósolja meg a Google AI az időjárást, és hogyan fejlődött ez a technológia.
A Google AI előrejelzi az időjárást
Meglepő módon ez az AI-rendszer szinte minden tekintetben felülmúlja a legtöbb modern időjárás-előrejelző rendszert. Érdekes módon úgy tűnik, hogy ezúttal a mesterséges intelligencia az emberi intelligencia kiegészítéseként szolgál, nem pedig helyettesíti azt.
A Középtávú Időjárás-előrejelzések Európai Központja (ECMWF) egy hihetetlenül fejlett rendszerrel rendelkezik, amely tavaly jelentős frissítésen esett át, javítva előrejelzési képességeit. Az olaszországi Bolognában található létesítményei Körülbelül egymillió processzorral van felszerelve egy szuperszámítógép (ellentétben a személyi számítógépben található kettővel vagy négyel) és rendkívüli, 30 petaflops számítási teljesítményt, ami másodpercenként elképesztő 30.000 XNUMX billió számításnak felel meg.
Ez a hatalmas számítási kapacitás szükséges az egyik eszközéhez, a High Resolution Forecasting (HRES) számára, amely pontosan előrejelzi a középtávú globális időjárási mintákat. Általában 10 napot ölelnek fel, lenyűgöző, kilenc kilométeres térbeli felbontással. Ezek az előrejelzések szolgálnak alapul a meteorológusok időjárás-előrejelzéseihez világszerte. A közelmúltban a Google DeepMind által kifejlesztett GraphCast mesterséges intelligenciát használták e félelmetes rendszer időjárás-előrejelzési képességeinek mérésére.
AI-tanulmányi eredmények
A Science folyóiratban kedden közzétett összehasonlítási eredmények azt mutatják, hogy a GraphCast számos időjárási tényező előrejelzésében felülmúlja a HRES-t. A tanulmány szerint A Google gépe a vizsgált 90,3 mérőszám 1.380%-ában felülmúlja az ECMWF-ét.
Ha kizárólag a troposzférára fókuszálunk, arra a légköri rétegre, ahol a legtöbb időjárási esemény előfordul, és a Föld felszíne felett körülbelül 6-8 kilométerrel magasan fekvő sztratoszférából származó adatokat figyelmen kívül hagyva a mesterséges intelligencia (A.I.) 99,7%-ban felülmúlja az ember által felügyelt szuperszámítógépeket. esetek. az elemzett változókat. Meglepő módon ezt az eredményt olyan gép segítségével érték el, amely nagyon hasonlít egy tenzor feldolgozó egységként vagy TPU-ként ismert személyi számítógépre.
Álvaro Sánchez González, a Google DeepMind kutatója szerint a TPU-k olyan speciális hardverek, amelyek a normál PC-hez képest hatékonyabb képzést és mesterséges intelligencia-szoftver végrehajtását kínálják, miközben megőrzik hasonló méretüket. Ahogy a számítógép grafikus kártyája a képek megjelenítésére összpontosít, a TPU-kat úgy tervezték, hogy kiválóan teljesítsenek a mátrixtermékekben. A GraphCast képzéshez 32 TPU-t használtunk több hét alatt. A képzés befejezése után azonban egyetlen TPU kevesebb mint egy perc alatt képes előrejelzéseket generálni, ahogy Sánchez González, az eszköz egyik alkotója kifejtette.
GraphCast és előrejelző rendszerek
Figyelemre méltó különbség a GraphCast és a meglévő előrejelző rendszerek között, hogy képes beépíteni a korábbi adatokat. Az alkotók az ECMWF archívumának 1979-ig nyúló meteorológiai adatait felhasználva képezték ki a rendszert. Ez a kiterjedt adatkészlet a santiagói csapadék és a ciklonok, amelyek 40 éven át sújtották Acapulcót. Jelentős mennyiségű edzés után a GraphCast figyelemre méltó képességgel rendelkezik, hogy pontos időjárás-előrejelzéseket generáljon.
Csak hat órával az előrejelzés előtt és közvetlenül előtte van szükség az időjárási körülmények ismeretére, hogy további hat óra múlva pontosan megjósolhassa az időjárást. Az előrejelzések kölcsönösen függenek egymástól, és minden új előrejelzés tájékoztatja az előzőt. Ferran Alet, ennek a lenyűgöző DeepMind gépnek a társalkotója elmagyarázza a belső működését: „Neurális hálózatunk hat órával előre megjósolja az időjárási viszonyokat. A 24 órás időjárás előrejelzéséhez egyszerűen négyszer értékeljük a modellt. Alternatív megoldásként külön modellt is betaníthattunk volna a különböző időszakokra, például egyet hat órára és egyet 24 órára. Azonban, "Megértjük, hogy az időjárást szabályozó alapelvek hat órán belül konzisztensek maradnak."
"Ezért, ha fel tudjuk fedezni a megfelelő 6 órás modellt, és felhasználjuk a saját előrejelzéseit bemenetként, akkor pontosan előrejelezhetjük az időjárást a következő 12 órára, és ezt a folyamatot hat óránként megismételhetjük." Alet szerint ez a megközelítés jelentős mennyiségű adatot biztosít egyetlen modellhez, ami hatékonyabb képzést eredményez.
Eddig az időjárás-előrejelzések numerikus időjárás-előrejelzésen alapultak, amely a történelem során kidolgozott tudományos egyenleteket alkalmazza a légköri dinamika különféle összetettségének figyelembevételére. A kutatók eredményei olyan matematikai algoritmusokat hoznak létre, amelyek szuperszámítógépek le kell futnia, hogy előrejelzéseket generáljon a következő néhány órára, napra vagy hétre vonatkozóan (bár a megbízhatóság 15 napon túl jelentősen csökken). Ennek a feladatnak az elvégzéséhez azonban nagyon fejlett szuperszámítógépre van szükség, ami jelentős költségekkel és kiterjedt mérnöki erőfeszítésekkel jár.
A Google AI modellje előrejelzi az időjárást
Ami különösen figyelemre méltó, hogy ezek a rendszerek nem használják ki az előző napi vagy akár az előző év időjárási viszonyait, annak ellenére, hogy ugyanazon a helyen és ugyanabban az időben fordul elő.
Éppen ellenkezőleg, más oldalról közelíti meg a feladatot, szinte az ellenkezőjét. Fejlett mély tanulási képességei révén a múltbeli időjárási adatok kiterjedt archívumát használja fel, hogy átfogó megértést nyerjen a Föld éghajlatának előrehaladását meghatározó bonyolult ok-okozati dinamikáról.
José Luis Casado, a Spanyol Meteorológiai Ügynökség (AEMET) szóvivője szerint a történelmi adatokat nem veszik figyelembe a légköri modellben. Casado tisztázza, hogy ez a modell a meglévő megfigyeléseken és maga a modell által készített legújabb előrejelzéseken alapul. A légkör jelenlegi állapotának pontos megértésével előre lehet jelezni annak jövőbeli előrehaladását. A gépi tanulási technikákkal ellentétben ez a megközelítés nem használ történeti adatokat vagy előrejelzéseket.
Remélem, hogy ezzel az információval többet megtudhat a Google időjárást előrejelző mesterséges intelligenciájáról és annak jellemzőiről.