AI Weather Forecaster společnosti Google DeepMind hravě překonává globální standard

V září věnovali výzkumníci z jednotky DeepMind AI společnosti Google v Londýně neobvyklou pozornost počasí za rybníkem. Hurikán Lee byl nejméně 10 dní od pádu na pevninu – eony z hlediska předpovědi – a oficiální předpovědi stále kolísaly mezi přistáním bouře na hlavních severovýchodních městech nebo je úplně minuly. Vlastní experimentální software DeepMind vytvořil velmi konkrétní prognózu pádu na pevninu mnohem dále na sever. „Byli jsme připoutáni k sedadlům,“ říká vědec Rémi Lam.

O týden a půl později, 16. září, Lee zasáhl místo přesně tam, kde software DeepMind, nazvaný GraphCast, předpovídal dny dříve: Long Island, Nova Scotia – daleko od hlavních populačních center. Přispělo k průlomové sezóně pro novou generaci modelů počasí s umělou inteligencí, včetně dalších vyrobených společnostmi Nvidia a Huawei, jejichž silný výkon pole překvapil. Zkušení prognostici řekli WIRED na začátku této hurikánové sezóny, že vážné pochybnosti meteorologů o AI byly nahrazeny očekáváním velkých změn, které na toto pole čekají.

Dnes Google sdílel nový, recenzovaný důkaz tohoto slibu. V článku zveřejněném dnes v VědaVýzkumníci DeepMind hlásí, že její model překonal předpovědi Evropského centra pro střednědobé předpovědi počasí (ECMWF), globálního giganta v oblasti předpovědí počasí, v 90 procentech z více než 1300 atmosférických proměnných, jako je vlhkost a teplota. Ještě lepší je, že model DeepMind lze spustit na notebooku a vyplivnout předpověď za méně než minutu, zatímco konvenční modely vyžadují obří superpočítač.

Čerstvý vzduch

Standardní simulace počasí předpovídají své předpovědi pokusem o replikaci fyziky atmosféry. V průběhu let se zlepšili díky lepší matematice a díky tomu, že zachytili jemnozrnná pozorování počasí z rostoucí armády senzorů a satelitů. Jsou také těžkopádné. Předpovědi ve velkých meteorologických centrech, jako je ECMWF nebo US National Oceanic and Atmospheric Association, mohou na výkonných serverech trvat hodiny.

Když se Peter Battaglia, ředitel výzkumu ve společnosti DeepMind, před několika lety poprvé začal zabývat předpovědí počasí, zdálo se to jako ideální problém pro jeho zvláštní typ strojového učení. DeepMind již přijal místní předpovědi srážek pomocí systému zvaného NowCasting, který byl trénován s radarovými daty. Nyní chtěl jeho tým zkusit předpovídat počasí v globálním měřítku.

Battaglia již vedl tým zaměřený na aplikaci systémů umělé inteligence nazývaných grafové neuronové sítě nebo GNN k modelování chování tekutin, což je klasická fyzikální výzva, která může popsat pohyb kapalin a plynů. Vzhledem k tomu, že predikce počasí je ve svém jádru o modelování toku molekul, klepání na GNN se zdálo intuitivní. Zatímco trénování těchto systémů je náročné a vyžaduje stovky specializovaných grafických procesorových jednotek nebo GPU, aby schovalo ohromné ​​množství dat, konečný systém je v konečném důsledku lehký a umožňuje rychlé generování předpovědí s minimálním výkonem počítače.

GNN představují data jako matematické „grafy“ – sítě propojených uzlů, které se mohou navzájem ovlivňovat. V případě předpovědí počasí DeepMind každý uzel představuje sadu atmosférických podmínek na určitém místě, jako je teplota, vlhkost a tlak. Tyto body jsou rozmístěny po celém světě a v různých nadmořských výškách – doslova mrak dat. Cílem je předpovědět, jak budou všechna data ve všech těchto bodech interagovat se svými sousedy, a zachytit, jak se podmínky budou v průběhu času měnit.