Искусственный интеллект (ИИ) производит революцию во многих отраслях, и благодаряПогодный искусственный интеллект Google DeepMind под названием GraphCastпрогнозирование погоды могло бы стать намного точнее, быстрее и дешевле. Исследование, опубликованное в научном журнале Наука показывает, как GraphCast значительно превзошел традиционные методы прогнозирования погоды в прогнозировании глобальных погодных условий на срок до 10 дней.

GraphCast: ИИ, который превосходит традиционные методы

В этом исследовании, ГрафКаст продемонстрировал превосходную производительность по сравнению с традиционной системой, управляемой Европейский центр среднесрочных прогнозов погоды (ЕЦСПП). Было оценено 1380 показателей, включая температуру, давление, скорость и направление ветра, влажность на различных уровнях атмосферы, и GraphCast показал лучшие результаты, чем ЕЦСПП в 90% случаев.

Одной из наиболее впечатляющих особенностей GraphCast является его скорость: он может прогнозировать сотни глобальных погодных переменных с разрешением 0,25° на 10 дней менее чем за минуту. Это представляет собой значительный прогресс в скорости и точности ИИ в метеорологии.

Архитектура графовой нейронной сети

ГрафКаст использует архитектуру машинного обучения под названием «графическая нейронная сеть(графовая нейронная сеть), обученная на исторических данных ECMWF за более чем четыре десятилетия. Обработка текущих глобальных погодных условий и погодных условий шестичасовой давности, генерация 10-дневного прогноза на облачном компьютере. Google ТПУ v4. Этот метод машинного обучения от Google отличается от традиционных методов численного прогнозирования погоды, которые полагаются на суперкомпьютеры для обработки уравнений, основанных на физике атмосферы, и требуют гораздо больше времени и энергии.

Преимущества GraphCast перед традиционными методами

Было доказано, что GraphCast значительно более энергоэффективен, чем традиционные методы. Мэтью Чантрикоординатор машинного обучения в ECMWF, подчеркнул быстрый прогресс в интервью Файнэншл Таймсзаявив, что разработана система искусственного интеллекта в метеорологии «гораздо раньше и более впечатляюще, чем мы ожидали еще два года назад«. По оценкам Чантри, GraphCast использует примерно в 1000 раз меньше энергии, чем традиционные методы.

Примером успеха GraphCast был его прогноз прихода урагана Ли в Новую Шотландию девять дней раньше, на три дня раньше, чем традиционные методы. Однако GraphCast имеет некоторые ограничения. Он не превосходил обычные модели во всех ситуациях, например, при внезапном усиленииУраган Отис обрушился на Акапулько с минимальным уведомлением 25 октября. Более того, из-за текущих технологических ограничений глобальные модели ИИ пока не могут давать столь подробные прогнозы, как традиционные, что делает их более подходящими для изучения явлений меньшего масштаба.

Дополнение к традиционному прогнозу погоды

Несмотря на ограничения, исследователи Google DeepMind рассматривают свой подход, основанный на искусственном интеллекте, как дополнение к традиционным методам прогнозирования погоды. В своем исследовании они пишут:

«Наш подход не следует рассматривать как замену традиционных методов прогнозирования погоды, которые разрабатывались десятилетиями, тщательно тестировались во многих реальных условиях и предлагают множество возможностей, которые мы еще не исследовали».

Заглядывая в будущее, ECMWF планирует разработать собственную модель искусственного интеллекта и изучить возможность интеграции с собственной системой численного прогнозирования погоды. Так же Метеорологическое бюро Соединенного Королевства в сотрудничестве сИнститут Алана Тьюрингаразрабатывает графовую нейронную сеть для прогнозирования погоды, чтобы в будущем включить ее в свою суперкомпьютерную инфраструктуру.