Το μοντέλο μηχανικής μάθησης χρειάζεται λιγότερο από ένα λεπτό για να προβλέψει τον μελλοντικό καιρό σε όλο τον κόσμο με μεγαλύτερη ακρίβεια από άλλες προσεγγίσεις.
Η εταιρεία τεχνητής νοημοσύνης (AI) Google DeepMind στράφηκε στην εντατική επιστήμη της πρόγνωσης καιρού και ανέπτυξε ένα μοντέλο μηχανικής μάθησης που ξεπερνά τα καλύτερα συμβατικά εργαλεία, καθώς και άλλες προσεγγίσεις τεχνητής νοημοσύνης, στην εργασία.
Το μοντέλο, που ονομάζεται GraphCast, μπορεί να τρέξει σε έναν επιτραπέζιο υπολογιστή και οι προβλέψεις του είναι πιο ακριβείς από αυτές των συμβατικών μοντέλων και τις κάνει μέσα σε λίγα λεπτά, παρά σε ώρες.
«Η GraphCast ηγείται επί του παρόντος στην κούρσα μεταξύ των μοντέλων AI», λέει η επιστήμονας υπολογιστών Aditya Grover, στο Πανεπιστήμιο της Καλιφόρνια στο Λος Άντζελες. Το μοντέλο περιγράφηκε1 στο Science στις 14 Νοεμβρίου.
Η πρόβλεψη του καιρού είναι μια πολύπλοκη και ενεργοβόρα εργασία. Η τυπική προσέγγιση ονομάζεται αριθμητική πρόβλεψη καιρού (NWP), η οποία χρησιμοποιεί μαθηματικά μοντέλα που βασίζονται σε φυσικές αρχές. Αυτά τα εργαλεία, γνωστά ως φυσικά μοντέλα, λειτουργούν σε υπερυπολογιστές και συγκεντρώνουν δεδομένα καιρού από σημαδούρες, δορυφόρους και μετεωρολογικούς σταθμούς σε όλο τον κόσμο. Οι υπολογισμοί χαρτογραφούν με ακρίβεια τον τρόπο με τον οποίο η θερμότητα, ο αέρας και οι υδρατμοί κινούνται στην ατμόσφαιρα, αλλά είναι δαπανηρή η λειτουργία τους.
Επανάσταση προβλέψεων.
Για να μειώσουν το οικονομικό και ενεργειακό κόστος των προβλέψεων, αρκετές εταιρείες τεχνολογίας έχουν αναπτύξει μοντέλα μηχανικής μάθησης που προβλέπουν γρήγορα τη μελλοντική κατάσταση του παγκόσμιου καιρού από προηγούμενα και τρέχοντα καιρικά δεδομένα. Μεταξύ αυτών είναι η DeepMind, η εταιρεία κατασκευής τσιπ υπολογιστών Nvidia και η κινεζική εταιρεία τεχνολογίας Huawei, μαζί με μια σειρά από νεοφυείς εταιρείες όπως η Atmo, με έδρα το Μπέρκλεϊ της Καλιφόρνια. Από αυτά, το μοντέλο Pangu-weather της Huawei είναι ο ισχυρότερος αντίπαλος του συστήματος NWP χρυσών προδιαγραφών στο Ευρωπαϊκό Κέντρο Μεσοπρόθεσμων Προγνώσεων Καιρού (ECMWF) στο Reading, UK, το οποίο παρέχει κορυφαίες προβλέψεις καιρού παγκοσμίως έως και 15 ημέρες νωρίτερα. .
Η μηχανική μάθηση προκαλεί μια επανάσταση στην πρόγνωση του καιρού, λέει ο Matthew Chantry, συντονιστής μηχανικής μάθησης στο ECMWF. Τα μοντέλα AI τρέχουν 1.000-10.000 φορές πιο γρήγορα από τα συμβατικά μοντέλα NWP, δίνοντας στους επιστήμονες περισσότερο χρόνο για να ερμηνεύσουν και να επικοινωνήσουν τις προβλέψεις, λέει ο ερευνητής οπτικοποίησης δεδομένων Jacob Radford, στο Συνεταιριστικό Ινστιτούτο Έρευνας στην Ατμόσφαιρα στο Κολοράντο.
Το GraphCast ξεπερνά τις συμβατικές προσεγγίσεις και τις προσεγγίσεις που βασίζονται σε τεχνητή νοημοσύνη στις περισσότερες εργασίες παγκόσμιας πρόγνωσης καιρού. Οι ερευνητές εκπαίδευσαν αρχικά το μοντέλο χρησιμοποιώντας εκτιμήσεις του παρελθόντος παγκόσμιου καιρού που έγιναν από το 1979 έως το 2017 από φυσικά μοντέλα. Αυτό επέτρεψε στο GraphCast να μάθει συνδέσμους μεταξύ μεταβλητών του καιρού όπως η πίεση του αέρα, ο άνεμος, η θερμοκρασία και η υγρασία.
Το εκπαιδευμένο μοντέλο χρησιμοποιεί την «τρέχουσα» κατάσταση του παγκόσμιου καιρού και εκτιμήσεις καιρού από 6 ώρες νωρίτερα για να προβλέψει τον καιρό 6 ώρες μπροστά. Προηγούμενες προβλέψεις ανατροφοδοτούνται στο μοντέλο, επιτρέποντάς του να κάνει εκτιμήσεις περαιτέρω στο μέλλον. Οι ερευνητές της DeepMind διαπίστωσαν ότι το GraphCast θα μπορούσε να χρησιμοποιήσει παγκόσμιες εκτιμήσεις καιρού από το 2018 για να κάνει προβλέψεις έως και δέκα ημέρες μπροστά σε λιγότερο από ένα λεπτό και οι προβλέψεις ήταν πιο ακριβείς από αυτές του συστήματος πρόβλεψης υψηλής ανάλυσης (HRES) της ECMWF, μια έκδοση του NWP, του το οποίο απαιτεί ώρες για να προβλεφθεί.
Δριμιές καιρικές συνθήκες.
«Στην τροπόσφαιρα, που είναι το τμήμα της ατμόσφαιρας που είναι πιο κοντά στην επιφάνεια που μας επηρεάζει περισσότερο, το GraphCast ξεπερνά το HRES σε περισσότερο από 99% από τις 12.000 μετρήσεις που έχουμε κάνει», λέει ο επιστήμονας υπολογιστών Rémi Lam στο DeepMind in. Λονδίνο. Σε όλα τα επίπεδα της ατμόσφαιρας, το μοντέλο ξεπέρασε το HRES στο 90% των μετεωρολογικών προβλέψεων.
Το GraphCast προέβλεψε την κατάσταση πέντε μεταβλητών του καιρού κοντά στην επιφάνεια της Γης, όπως η θερμοκρασία του αέρα 2 μέτρα πάνω από το έδαφος, και έξι ατμοσφαιρικές μεταβλητές, όπως η ταχύτητα του ανέμου, πιο μακριά από την επιφάνεια της Γης.
Αποδείχθηκε επίσης χρήσιμο στην πρόβλεψη σοβαρών καιρικών φαινομένων, όπως τα μονοπάτια που ακολουθούν οι τροπικοί κυκλώνες και τα επεισόδια ακραίας ζέστης και ψύχους, λέει ο Chantry.
Όταν συνέκριναν την ικανότητα πρόβλεψης του GraphCast με αυτή του Pangu-weather, οι ερευνητές του DeepMind διαπίστωσαν ότι το μοντέλο τους ξεπέρασε το 99% των προβλέψεων καιρού που είχαν περιγραφεί σε προηγούμενη μελέτη της Huawei.
Ο Chantry σημειώνει ότι παρόλο που η απόδοση του GraphCast ήταν ανώτερη από άλλα μοντέλα σε αυτήν τη μελέτη, με βάση την αξιολόγησή του από ορισμένες μετρήσεις. Οι μελλοντικές αξιολογήσεις που χρησιμοποιούν άλλες μετρήσεις θα μπορούσαν να οδηγήσουν σε ελαφρώς διαφορετικά αποτελέσματα.
Δεδομένα προπόνησης.
Αντί να αντικαταστήσουν πλήρως τις συμβατικές προσεγγίσεις, τα μοντέλα μηχανικής μάθησης, τα οποία είναι ακόμα πειραματικά, θα μπορούσαν να ενισχύσουν συγκεκριμένους τύπους πρόβλεψης καιρού στους οποίους οι τυπικές προσεγγίσεις δεν είναι καλές, λέει ο Chantry – όπως η πρόβλεψη βροχοπτώσεων που θα χτυπήσουν στο έδαφος μέσα σε λίγες ώρες.
«Και απαιτούνται ακόμη τυπικά φυσικά μοντέλα για την παροχή των εκτιμήσεων του παγκόσμιου καιρού που χρησιμοποιούνται αρχικά για την εκπαίδευση μοντέλων μηχανικής μάθησης», λέει ο Chantry. «Προβλέπω ότι θα περάσουν άλλα δύο έως πέντε χρόνια πριν οι άνθρωποι μπορούν να χρησιμοποιήσουν τις προβλέψεις από προσεγγίσεις μηχανικής μάθησης για να λάβουν αποφάσεις στον πραγματικό κόσμο», προσθέτει.
Εν τω μεταξύ, τα προβλήματα με τις προσεγγίσεις μηχανικής μάθησης πρέπει να εξαλειφθούν. Σε αντίθεση με τα μοντέλα NWP, οι ερευνητές δεν μπορούν να κατανοήσουν πλήρως πώς λειτουργούν τα AI, όπως το GraphCast, επειδή οι διαδικασίες λήψης αποφάσεων συμβαίνουν στο «μαύρο κουτί» του AI, λέει ο Grover. «Αυτό θέτει υπό αμφισβήτηση την αξιοπιστία τους», λέει.
Τα μοντέλα AI διατρέχουν επίσης τον κίνδυνο να ενισχύσουν τις προκαταλήψεις στα δεδομένα εκπαίδευσής τους και απαιτούν πολλή ενέργεια για την εκπαίδευση, αν και καταναλώνουν λιγότερη από τα μοντέλα NWP, λέει ο Grover.
Ακολουθήστε μας και στο Google news. Διαβάστε μας για να ενημερώνεστε για όλα τα νέα, από την Ελλάδα και τον κόσμο, πατήστε το καμπανάκι για να ενημερώνεστε πρώτοι έγκαιρα και έγκυρα.