Немає нічого більш засмучуючого, ніж складати плани на основі прогнозу погоди, а потім на власні очі відчути помилку прогнозу, коли, наприклад, під час пікніка починає йти град.

Тепер дослідницька лабораторія штучного інтелекту Google DeepMind представила GenCast: модель прогнозу погоди на основі ШІ, яка забезпечує швидші та точніші прогнози погоди на 15 днів, ніж найкращі традиційні системи прогнозування. Модель була детально описана в дослідженні, опублікованому минулого тижня в журналі природа.

«GenCast — це модель погоди на основі машинного навчання, яка навчається безпосередньо з історичних даних про погоду. Це відрізняється від традиційних моделей, які роблять прогнози, розв’язуючи фізичні рівняння», — розповідає Ілан Прайс, дослідник DeepMind і співавтор дослідження. зареєструватисяТомас Клаберн. «Одним з обмежень цих традиційних моделей є те, що рівняння, які вони вирішують, є лише наближеннями динаміки атмосфери. GenCast не обмежується вивченням динаміки/шаблонів, які точно відомі та можуть бути записані в рівнянні».

Дослідницька група навчила GenCast на історичних даних про погоду з Європейського центру середньострокових прогнозів погоди (ECMWF), які охоплювали період з 1979 по 2018 рік. Вони включали вимірювання температури, швидкості вітру та атмосферного тиску на різних висотах. Потім вони перевірили 15-денний прогноз моделі на 1320 погодних подіях з 2019 року та порівняли його з прогнозами ECMWF, «світового лідера в прогнозуванні атмосфери», згідно з New York TimesВільям Дж. Брод.

GenCast передбачав як повсякденну погоду, так і екстремальні події точніше, ніж модель ECMWF під назвою ENS, перевершуючи її в колосальних 97,2 відсотках часу.

«Перевищення ефективності ENS знаменує собою певну точку перелому в розвитку ШІ для прогнозування погоди», — каже Прайс. ОпікунЯн Семпл. «Принаймні в короткостроковій перспективі ці моделі будуть супроводжувати існуючі традиційні підходи».

GenCast робить прогнози погоди на основі знімка останніх атмосферних умов і надає їх з роздільною здатністю 0,25 градуса, тобто у квадратах приблизно 17,4 милі на 17,4 милі за Опікун. Він базується на попередніх моделях погоди DeepMind зі штучним інтелектом, таких як GraphCast, детермінована модель, що означає, що він давав лише один найкращий прогноз погоди. GenCast, з іншого боку, генерує 50 або більше прогнозів, які надають ряд сценаріїв погоди.

Цей метод дозволяє програмі виражати невизначеність у прогнозі. «Якщо більшість прогнозів показує, що циклон вдарить по тій самій території, невизначеність низька. Але якщо вони передбачають різні місця, невизначеність є вищою», – пояснює співавтор дослідження Ремі Лам у дописі в блозі Google DeepMind. «GenCast знаходить правильний баланс, уникаючи як перебільшення, так і заниження своєї впевненості у своїх прогнозах».

GenCast може створити свій 15-денний прогноз за вісім хвилин на одному Google Cloud TPU v5, комп’ютерному чіпі, що спеціалізується на обробці штучного інтелекту та машинному навчанні. На відміну від цього, згідно з дописом, для традиційних комплексних прогнозів потрібні години, щоб зробити прогнози за допомогою суперкомп’ютерів.

«Це велика справа», — каже Керрі Емануель, кліматолог з Массачусетського технологічного інституту, який не брав участі в розробці GenCast DeepMind. New York Times. «Це важливий крок вперед».

Швидкі та точні прогнози атмосфери, особливо у випадку екстремальних погодних умов, необхідні для порятунку життів, інфраструктури та грошей. Більш точні атмосферні прогнози також можуть вплинути на інфраструктуру зеленої енергетики, наприклад, допомагаючи передбачити, скільки електроенергії може бути вироблено вітровими електростанціями.

«Прогнозування погоди знаходиться на порозі фундаментальних змін у методології», — розповідає Сара Денс, прикладний математик з Редінгського університету в Англії. Опікун. Однак вона також зазначає, що навчальний набір GenCast включав дані, засновані на фізиці, щоб заповнити діри в минулих записах, і це все ще «довгий шлях, перш ніж підходи машинного навчання зможуть повністю замінити прогнозування на основі фізики».

Однак дослідницька група планує оприлюднити свої дані на підтримку глобальної спільноти прогнозистів погоди відповідно до їхньої мети покращити традиційні методи прогнозування, а не замінити їх.

«Це справді великий внесок у відкриту науку», — каже Метью Чантрі, координатор машинного навчання в ECMWF. Новини природи'Алікс Соліман.