Программа GraphCast от исследователей DeepMind превзошла традиционную европейскую систему прогнозирования погоды на 99% во время 12 000 измерений.
ИИ-модель запускается с настольного компьютера и делает точные прогнозы всего за несколько минут — в то время как самые мощные традиционные метеорологические инструменты работают часами, пишут в статье Nature.
«Сейчас GraphCast лидирует в гонке среди моделей искусственного интеллекта», — говорит Адития Гровер из Калифорнийского университета в Лос-Анджелесе.
В настоящее время для прогнозирования погоды в мире используется так называемое численное погодное прогнозирование (NWP) — подход, использующий математические модели и данные с буев, спутников и метеостанций. Расчеты достаточно точно показывают, как тепло, воздух и водяной пар движутся в атмосфере, но такие инструменты достаточно дорогие и энергоемкие.
Альтернативные инструменты с ИИ уже разработали несколько известных технологических компаний, в том числе DeepMind, производитель компьютерных микросхем NVIDIA, китайская технологическая компания Huawei, а также ряд стартапов, таких как Atmo из Беркли, Калифорния. Искусственный интеллект работает в 1000-10 000 раз быстрее обычных моделей NWP, оставляя больше времени для интерпретации и передачи прогнозов.
Погодная модель Pangu от Huawei — самый мощный конкурент стандартной системы NWP Европейского центра среднесрочных прогнозов погоды (ECMWF) в Рединге, Великобритания, которая обеспечивает лучшие в мире метеорологические прогнозы до 15 дней вперед. В то же время оба инструмента, кажется, уже превзошла GraphCast от DeepMind, которую обучали на данных погоды с 1979 по 2017 год, чтобы она могла запомнить связи между погодными переменными, такими как атмосферное давление, ветер, температура и влажность.
В DeepMind обнаружили, что GraphCast также может использовать глобальные прогнозы погоды с 2018 года, чтобы сделать прогнозы на 10 дней вперед менее чем за минуту, и они были точнее, чем система прогнозирования высокого разрешения (HRES) — одна из версий NWP, которой для прогноза нужные часы.
«В тропосфере GraphCast превосходит HRES более чем на 99% в 12 000 измерений, которые мы провели», — говорит Реми Лам из DeepMind в Лондоне.
На всех уровнях атмосферы GraphCast превзошла HRES в 90% прогнозов. Модель также эффективно определяла экстремальные погодные явления, например движение тропических циклонов, суровые холода или жару — в одном конкретном примере инструмент предвидел приближение урагана Ли к Лонг-Айленду за 10 дней до того, как это произошло, в то время как традиционные технологии прогнозирования погоды, которые использовали метеорологи в то время, отставали.
По сравнению с моделью Huawei GraphCast была лучшей в 99% прогнозов.
В то же время, ИИ-модели могут улучшить определенные типы прогнозирования погоды, с которыми стандартные инструменты не справляются — например, прогнозирование количества осадков, которые выпадут на землю в течение нескольких часов.
«Стандартные физические модели все еще нужны, чтобы получить оценки глобальной погоды, которые первоначально используются для обучения моделей ИИ», — говорят исследователи. «Предполагаем, что пройдет еще от двух до пяти лет, прежде чем люди смогут использовать прогнозы на основе машинного обучения для принятия решений в реальном мире».
В скором времени GraphCast или по крайней мере основа алгоритма искусственного интеллекта, обеспечивающего прогнозы, может появиться в более массовых сервисах. По данным Wired, Google уже может исследовать, как интегрировать модель в свои продукты.
