Програма GraphCast від дослідників DeepMind перевершила традиційну європейську систему прогнозування погоди у 99% під час 12 000 вимірювань.
ШІ-модель запускається з настільного комп’ютера та робить точні прогнози всього за кілька хвилин — тоді як найпотужніші традиційні метеорологічні інструменти працюють годинами, пишуть у статті Nature.
«Наразі GraphCast лідирує в перегонах серед моделей штучного інтелекту», — каже комп’ютерний науковець Адітя Гровер з Каліфорнійського університету в Лос-Анджелесі.
Нині для прогнозування погоди у світі використовують так зване чисельне погодне прогнозування (NWP) — підхід, який використовує математичні моделі й дані з буїв, супутників і метеостанцій. Розрахунки досить точно показують, як тепло, повітря та водяна пара рухаються в атмосфері, але такі інструменти досить дорогі та енергомісткі.
Альтернативні інструменти з ШІ вже розробили кілька відомих технологічних компаній, у тому числі DeepMind, виробник комп’ютерних мікросхем NVIDIA, китайська технологічна компанія Huawei, а також низка стартапів, таких як Atmo з Берклі, Каліфорнія. Штучний інтелект працює у 1000-10 000 разів швидше, ніж звичайні моделі NWP, залишаючи більше часу для інтерпретації та передачі прогнозів.
Погодна модель Pangu від Huawei — нині найпотужніший конкурент стандартної системи NWP Європейського центру середньострокових прогнозів погоди (ECMWF) у Редінгу, Великобританія, яка забезпечує найкращі у світі метеорологічні прогнози до 15 днів наперед. Водночас обидва інструменти, здається, вже перевершила GraphCast від DeepMind, яку навчали на даних погоди з 1979 по 2017 рік, аби вона могла запам’ятати зв’язки між погодними змінними, такими як атмосферний тиск, вітер, температура та вологість.
В DeepMind виявили, що GraphCast також може використовувати глобальні прогнози погоди з 2018 року, щоб зробити прогнози на 10 днів уперед менш ніж за хвилину, і вони були точнішими, ніж система прогнозування високої роздільної здатності (HRES) — одна з версій NWP, якій для прогнозу потрібні години.
«У тропосфері GraphCast перевершує HRES у більш ніж 99% із 12 000 вимірювань, які ми провели», — каже комп’ютерний науковець Ремі Лам з DeepMind в Лондоні.
На всіх рівнях атмосфери GraphCast перевершила HRES у 90% прогнозів. Модель також ефективно визначала екстремальні погодні явища, як-от рух тропічних циклонів, суворі холоди чи спеку — в одному конкретному прикладі інструмент передбачив наближення урагану Лі до Лонг-Айленда за 10 днів до того, як це сталося, тоді як традиційні технології прогнозування погоди, які використовували метеорологи в той час, відставали.
У порівнянні з моделлю Huawei GraphCast була кращою у 99% прогнозів.
Водночас ШІ-моделі можуть покращити певні типи прогнозування погоди, з якими стандартні інструменти не справляються — як-от прогнозування кількості опадів, які випадуть на землю протягом кількох годин.
«Стандартні фізичні моделі все ще потрібні, щоб отримати оцінки глобальної погоди, які спочатку використовуються для навчання моделей ШІ», — кажуть дослідники. «Передбачаємо, що мине ще два-п’ять років, перш ніж люди зможуть використовувати прогнози на основі машинного навчання для прийняття рішень у реальному світі».
Незабаром GraphCast або принаймні основа алгоритму штучного інтелекту, який забезпечує прогнози інструменту, може з’явитися в більш масових сервісах. За даними Wired, Google нині може досліджувати, як інтегрувати модель у свої продукти.