Dagens værmeldinger er basert på komplekse modeller som inkorporerer lovene som styrer dynamikken i atmosfæren og havene, og disse modellene kjører på noen av de kraftigste superdatamaskinene som finnes. Alphabet (Googles morselskap) har imidlertid klart å forutsi globale værforhold for de neste 10 dagene på bare ett minutt ved hjelp av en enkelt maskin på størrelse med en personlig datamaskin, takket være kunstig intelligens utviklet av DeepMind. De Google AI spår været og dette har bare så vidt begynt.
I denne artikkelen skal vi fortelle deg hvordan Google AI forutsier været og hvordan denne teknologien har utviklet seg.
Google AI spår været
Overraskende nok overgår dette AI-systemet de fleste moderne værmeldingssystemer i nesten alle aspekter. Interessant nok ser det ut til at kunstig intelligens denne gangen fungerer som et komplement til menneskelig intelligens i stedet for å erstatte den.
European Center for Medium-Range Weather Forecasts (ECMWF) har et utrolig avansert system som gjennomgikk en stor oppgradering i fjor, og forbedret prediksjonsevnen. Vert ved sine anlegg i Bologna, Italia, Det er en superdatamaskin utstyrt med omtrent en million prosessorer (i motsetning til de to eller fire som finnes i en personlig datamaskin) og en ekstraordinær datakraft på 30 petaflops, tilsvarende svimlende 30.000 XNUMX billioner beregninger per sekund.
Denne enorme beregningskapasiteten er nødvendig for et av verktøyene deres, High Resolution Forecasting (HRES), som nøyaktig forutsier globale værmønstre på mellomlang sikt, som De strekker seg vanligvis over 10 dager, med en imponerende romlig oppløsning på ni kilometer. Disse spådommene tjener som grunnlag for værmeldinger levert av meteorologer over hele verden. Nylig har GraphCast, en kunstig intelligens utviklet av Google DeepMind, blitt brukt til å måle egenskapene til dette formidable systemet i værprediksjon.
AI-studieresultater
Sammenligningsresultatene, publisert tirsdag i tidsskriftet Science, avslører at GraphCast overgår HRES når det gjelder å forutsi en rekke værfaktorer. I følge studien, Googles maskin overgår ECMWFs i 90,3 % av de 1.380 XNUMX målingene som ble undersøkt.
Når man kun fokuserer på troposfæren, det atmosfæriske laget der de fleste værhendelser inntreffer, og unntatt data fra stratosfæren, som er omtrent 6 til 8 kilometer over jordens overflate, utkonkurrerer kunstig intelligens (A.I.) superdatamaskiner som er overvåket av mennesker i 99,7 % av saker. variablene som er analysert. Overraskende nok ble denne prestasjonen oppnådd ved hjelp av en maskin som ligner mye på en personlig datamaskin kjent som en tensor prosesseringsenhet eller TPU.
I følge Álvaro Sánchez González, forsker ved Google DeepMind, er TPU-er spesialisert maskinvare som tilbyr mer effektiv opplæring og utførelse av kunstig intelligens-programvare sammenlignet med en vanlig PC, samtidig som den opprettholder en tilsvarende størrelse. Akkurat som en datamaskins grafikkort fokuserer på å gjengi bilder, er TPU-er designet for å utmerke seg i matriseprodukter. For GraphCast-trening brukte vi 32 TPU-er i løpet av flere uker. Men når opplæringen er fullført, en enkelt TPU kan generere spådommer på mindre enn ett minutt, som forklart av Sánchez González, en av skaperne av enheten.
GraphCast og prediksjonssystemer
Et bemerkelsesverdig skille mellom GraphCast og eksisterende prediksjonssystemer er dens evne til å inkorporere historiske data. Skaperne trente systemet ved å bruke meteorologiske data fra ECMWF-arkivet som dateres tilbake til 1979. Dette omfattende datasettet dekker nedbøren i Santiago og syklonene som har påvirket Acapulco over en periode på 40 år. Etter en betydelig mengde trening har GraphCast den bemerkelsesverdige evnen til å generere nøyaktige værmeldinger.
Det krever kun kunnskap om værforholdene seks timer før og rett før varselet ditt for nøyaktig å forutsi været ytterligere seks timer fra nå. Spådommer er avhengige av hverandre og hver ny prognose informerer om den forrige. Ferran Alet, medskaper av denne imponerende DeepMind-maskinen, forklarer dens indre virkemåte: «Vårt nevrale nettverk forutser værforhold seks timer i forveien. For å varsle været om 24 timer, evaluerer vi ganske enkelt modellen fire ganger. Alternativt kunne vi ha trent opp separate modeller for de ulike tidsperiodene, for eksempel en for seks timer og en for 24 timer. Derimot, "Vi forstår at de underliggende prinsippene som styrer været forblir konsistente innen en seks-timers periode."
"Derfor, hvis vi kan finne den passende 6-timersmodellen og bruke dens egne spådommer som input, kan vi nøyaktig varsle været for de neste 12 timene og gjenta denne prosessen hver sjette time." I følge Alet gir denne tilnærmingen en betydelig mengde data for en enkelt modell, noe som resulterer i mer effektiv trening.
Frem til nå har værmeldinger vært basert på numerisk værprediksjon, som bruker vitenskapelige ligninger utviklet gjennom historien for å redegjøre for de forskjellige kompleksitetene i atmosfærisk dynamikk. Forskernes funn etablerer et sett med matematiske algoritmer som superdatamaskiner må kjøre for å generere spådommer for de neste timene, dagene eller ukene (selv om påliteligheten synker betydelig utover 15 dager). Men å utføre denne oppgaven krever en svært avansert superdatamaskin, som innebærer betydelige kostnader og omfattende ingeniørarbeid.
Google AI-modell spår været
Det som er spesielt bemerkelsesverdig er at disse systemene de bruker ikke værforholdene dagen før eller til og med året før, til tross for at det skjer på samme sted og samtidig.
Tvert imot, den nærmer seg oppgaven fra en annen vinkel, nesten motsatt. Gjennom sine avanserte dyplæringsevner bruker den omfattende arkiver med tidligere værdata for å få en omfattende forståelse av den intrikate årsak-og-virkning-dynamikken som dikterer utviklingen av jordens klima.
Ifølge José Luis Casado, talsperson for det spanske meteorologiske byrået (AEMET), tas ikke historiske data i betraktning i den atmosfæriske modellen. Casado presiserer at denne modellen er basert på eksisterende observasjoner og den nyeste prediksjonen gjort av modellen selv. Ved nøyaktig å forstå atmosfærens nåværende tilstand, er det mulig å forutsi dens fremtidige utvikling. I motsetning til maskinlæringsteknikker, bruker ikke denne tilnærmingen historiske data eller spådommer.
Jeg håper at du med denne informasjonen kan lære mer om Googles AI som forutsier været og dens egenskaper.