Программа искусственного интеллекта GenCast показала лучшие результаты, чем ENS forecast, в прогнозировании повседневной погоды и траекторий ураганов и циклонов.
Для тех, кто следит за погодой, перспективы радужные: исследователи создали прогноз погоды на основе искусственного интеллекта, который дает более быстрые и точные прогнозы, чем лучшая система, доступная на сегодняшний день.
Прогноз погоды на основе искусственного интеллекта GenCast от Google DeepMind оказался на 20% лучше, чем прогноз ENS от Европейского центра среднесрочных прогнозов погоды (ECMWF), который считается мировым лидером.
Ожидается, что в ближайшей перспективе GenCast будет поддерживать традиционные прогнозы, а не заменять их, но даже в качестве вспомогательного средства он может внести ясность в отношении будущих периодов похолодания, аномальной жары и сильных ветров, а также помочь энергетическим компаниям прогнозировать, сколько энергии они будут генерировать с помощью ветряных электростанций.
При непосредственном сравнении программа выдавала более точные прогнозы, чем ENS, о погоде на каждый день и экстремальных явлениях на срок до 15 дней вперед, а также лучше предсказывала траектории разрушительных ураганов и других тропических циклонов, в том числе места их выхода на сушу.
«Успешное внедрение ENS знаменует собой своего рода переломный момент в развитии искусственного интеллекта для прогнозирования погоды», — сказал Илан Прайс, научный сотрудник Google DeepMind. «По крайней мере, в краткосрочной перспективе эти модели будут дополнять существующие традиционные подходы».
Традиционные прогнозы погоды, основанные на физике, решают огромное количество уравнений для получения своих прогнозов, но GenCast узнал, как меняется глобальная погода, изучив исторические данные за 40 лет, полученные в период с 1979 по 2018 год. Это включало скорость ветра, температуру, давление, влажность и десятки других переменных на разных высотах.
Учитывая последние погодные данные, GenCast прогнозирует, как будут меняться условия по всей планете в квадратах размером до 28 на 28 км в течение следующих 15 дней с шагом в 12 часов.
В то время как на выполнение традиционного прогноза на суперкомпьютере с десятками тысяч процессоров уходят часы, GenCast занимает всего восемь минут на одном чипе Google Cloud TPU, предназначенном для машинного обучения.
За последние годы Google выпустила серию прогнозов погоды на основе искусственного интеллекта, которые стали результатом работы исследователей, использующих различные подходы. В июле компания анонсировала NeuralGCM, который сочетает в себе искусственный интеллект и традиционную физику для долгосрочных прогнозов и моделирования климата.
В 2023 году Google DeepMind представил GraphCast, который одновременно выдает один прогноз с наилучшими предположениями. GenCast основан на GraphCast, генерируя набор из 50 или более прогнозов, определяя вероятности различных погодных явлений в будущем.
Синоптики приветствовали это нововведение. Стивен Рамсдейл, главный прогнозист Метеорологического бюро, отвечающий за искусственный интеллект, сказал, что работа была «захватывающей», в то время как представитель ECMWF назвал это «значительным достижением», добавив, что компоненты GenCast использовались в одном из его прогнозов с использованием искусственного интеллекта.
«Прогнозирование погоды находится на пороге фундаментального сдвига в методологии», — сказала Сара Дэнс, профессор по обработке данных в Университете Рединга.
«Это открывает перед национальными метеорологическими службами возможность составлять гораздо более обширные наборы прогнозов, обеспечивая более надежные оценки достоверности прогнозов, особенно в отношении экстремальных явлений».
Но вопросы остаются. «Авторы не ответили, обладает ли их система достаточной физической реалистичностью, чтобы отразить «эффект бабочки», каскад быстрорастущих неопределенностей, который имеет решающее значение для эффективного коллективного прогнозирования», — сказал профессор Дэнс.
«Предстоит пройти еще долгий путь, прежде чем подходы к машинному обучению смогут полностью заменить прогнозирование, основанное на физике», — добавила она.
Программа data GenCast, на которой проводилось обучение, сочетает прошлые наблюдения с «ретроспективными данными», основанными на физике, которые требуют сложной математики для заполнения пробелов в исторических данных.
«Еще неизвестно, сможет ли генеративное машинное обучение заменить этот этап и перейти сразу от самых последних необработанных наблюдений к 15-дневному прогнозу», — сказал Дэнс.