Прогнозы погоды должны охватывать весь спектр возможностей, включая наихудшие сценарии, которые являются наиболее важными для планирования.

WeatherNext 2 может предсказывать сотни возможных погодных явлений из одной отправной точки. Каждый прогноз занимает менее минуты на одном TPU; на суперкомпьютере с использованием моделей, основанных на физике, это заняло бы несколько часов.

Наша модель также очень эффективна и способна делать прогнозы с более высоким разрешением, вплоть до часа. В целом, WeatherNext 2 превосходит нашу предыдущую современную модель WeatherNext по 99,9% переменных (например, температура, ветер, влажность) и времени заблаговременности (0–15 дней), обеспечивая более полезные и точные прогнозы.

Такое повышение производительности стало возможным благодаря новому подходу к моделированию искусственного интеллекта, называемому Функциональная генеративная сеть (FGN), который вводит «шум» непосредственно в архитектуру модели, так что генерируемые ею прогнозы остаются физически реалистичными и взаимосвязанными.

Этот подход особенно полезен для прогнозирования того, что метеорологи называют «маргиналами» и «стыками». Поля — это отдельные, автономные погодные элементы: точная температура в определенном месте, скорость ветра на определенной высоте или влажность. Новым в нашем подходе является то, что модель обучается только на этих маргинальных значениях. Тем не менее, благодаря этому обучению он учится умело предсказывать «суставы» — большие, сложные, взаимосвязанные системы, которые зависят от того, как все эти отдельные части сочетаются друг с другом. Этот «совместный» прогноз необходим для наших наиболее полезных прогнозов, таких как определение целых регионов, пострадавших от сильной жары, или ожидаемой выработки энергии ветряной электростанцией.