Более надёжные и менее энергоёмкие модели могут помочь лучше подготовиться к экстремальным погодным условиям.
Компьютерная модель, сочетающая традиционные технологии прогнозирования погоды с машинным обучением, превзошла другие инструменты на основе искусственного интеллекта в прогнозировании погодных сценариев и долгосрочных климатических тенденций.
Этот инструмент, описанный в журнале Nature 22 июля1, является первой моделью машинного обучения, позволяющей генерировать точные ансамблевые прогнозы погоды, представляющие целый ряд сценариев. Его развитие открывает возможности для прогнозирования, которое будет более быстрым и менее энергозатратным, чем существующие инструменты, и более детальным, чем подходы, основанные исключительно на искусственном интеллекте.
«Традиционные климатические модели необходимо запускать на суперкомпьютерах. Эту модель можно запустить за считанные минуты», — говорит соавтор исследования Стефан Хойер (Stephan Hoyer), изучающий глубокое обучение в исследовательском центре Google в Маунтин-Вью, Калифорния.
Современные системы прогнозирования обычно полагаются на модели общей циркуляции, программы, которые используют законы физики для моделирования процессов в океанах и атмосфере Земли и прогнозирования того, как они могут повлиять на погоду и климат. Но модели общей циркуляции требуют большой вычислительной мощности, и достижения в области машинного обучения начинают предлагать более эффективную альтернативу. «У нас есть терабайты или петабайты (в миллион раз больше гигабайта) исторических данных о погоде», — говорит Хойер. «Изучая эти шаблоны, мы можем создавать более совершенные модели».
Уже существуют некоторые модели прогнозирования на основе машинного обучения, такие как Pangu-Weather, созданная технологическим конгломератом Huawei со штаб-квартирой в Шэньчжэне, Китай, и GraphCast компании DeepMind со штаб-квартирой в Лондоне. Эти модели имеют уровень точности, аналогичный типичным моделям общей циркуляции для детерминистического прогнозирования — подхода, генерирующего единый прогноз погоды. Но модели общей циркуляции не столь надёжны для ансамблевого прогнозирования или долгосрочного прогнозирования климата.
«Проблема с подходами, основанными на чистом машинном обучении, заключается в том, что вы обучаете его только на тех данных, которые он уже видел», — говорит Скотт Хоскинг (Scott Hosking), исследующий данные об искусственном интеллекте и окружающей среде в Институте Алана Тьюринга в Лондоне. «Климат постоянно меняется, мы идём в неизвестность, поэтому нашим моделям машинного обучения приходится экстраполировать это неизвестное будущее. Внося физику в модель, мы можем гарантировать, что наши модели физически ограничены и не могут делать ничего нереалистичного».
Гибридная модель
Хойер и его команда разработали и обучили NeuralGCM — модель, сочетающую в себе «аспекты традиционного физического решателя атмосферы с некоторыми компонентами искусственного интеллекта». Они использовали эту модель для составления краткосрочных и долгосрочных прогнозов погоды, а также климатических прогнозов. Чтобы оценить точность NeuralGCM, исследователи сравнили свои прогнозы с реальными данными, а также с результатами других моделей, включая модели общей циркуляции и модели, основанные исключительно на машинном обучении.
Как и нынешние модели машинного обучения, NeuralGCM может давать точные краткосрочные детерминированные прогнозы погоды — на срок от одного до трёх дней — потребляя при этом лишь часть энергии, необходимой моделям общей циркуляции. Но при составлении долгосрочных прогнозов на срок более семи дней она допустила гораздо меньше ошибок, чем другие модели машинного обучения. Фактически, долгосрочные прогнозы NeuralGCM были аналогичны прогнозам, сделанным ансамблевой моделью Европейского центра среднесрочных прогнозов погоды (ECMWF-ENS), моделью общей циркуляции, которая широко считается золотым стандартом прогнозирования погоды.
Команда также проверила, насколько хорошо модель может прогнозировать различные погодные явления, такие как тропические циклоны. Они обнаружили, что многие модели чистого машинного обучения дают противоречивые и неточные прогнозы по сравнению с NeuralGCM и ECMWF-ENS. Исследователи даже сравнили NeuralGCM с климатическими моделями сверхвысокого разрешения, известными как глобальные модели разрешения штормов. NeuralGCM может производить более реалистичные подсчёты и траектории тропических циклонов за более короткое время.
Возможность прогнозировать такие события «очень важна для улучшения способности принимать решения и стратегии готовности», — говорит Хоскинг.
Хойер и его коллеги стремятся к дальнейшему совершенствованию и адаптации NeuralGCM. «Мы работали над атмосферным компонентом моделирования системы Земли… Возможно, это та часть, которая наиболее непосредственно влияет на повседневную погоду», — говорит Хойер. Он добавляет, что команда хочет включить в будущие версии больше аспектов науки о Земле, чтобы ещё больше повысить точность модели.
Литература
- Kochkov D. et al. Nature, https://doi.org/10.1038/s41586-024-07744-y (2024).