Dagens väderprognoser är baserade på komplexa modeller som innehåller de lagar som styr dynamiken i atmosfären och haven, och dessa modeller körs på några av de mest kraftfulla superdatorerna som finns. Alphabet (Googles moderbolag) har dock lyckats förutsäga globala väderförhållanden för de kommande 10 dagarna på bara en minut med hjälp av en enda maskin lika stor som en persondator, tack vare artificiell intelligens utvecklad av DeepMind. De Google AI förutspår vädret och det här har bara börjat.
I den här artikeln kommer vi att berätta hur Google AI förutspår vädret och hur denna teknik har utvecklats.
Google AI förutspår vädret
Överraskande nog överträffar detta AI-system de flesta moderna väderprognoser i nästan alla aspekter. Intressant nog verkar det som att artificiell intelligens den här gången fungerar som ett komplement till mänsklig intelligens snarare än att ersätta den.
European Centre for Medium Range Weather Forecasts (ECMWF) har ett otroligt avancerat system som genomgick en stor uppgradering förra året, vilket förbättrade dess prediktiva kapacitet. Värd på sina anläggningar i Bologna, Italien, Det finns en superdator utrustad med cirka en miljon processorer (i motsats till de två eller fyra som finns i en persondator) och en extraordinär beräkningskraft på 30 petaflops, motsvarande svindlande 30.000 XNUMX biljoner beräkningar per sekund.
Denna enorma beräkningskapacitet är nödvändig för ett av dess verktyg, High Resolution Forecasting (HRES), som exakt förutsäger globala vädermönster på medellång sikt, vilket De sträcker sig i allmänhet över 10 dagar, med en imponerande rumslig upplösning på nio kilometer. Dessa förutsägelser fungerar som grund för väderprognoser som levereras av meteorologer runt om i världen. Nyligen har GraphCast, en artificiell intelligens utvecklad av Google DeepMind, använts för att mäta kapaciteten hos detta formidabla system i väderprognoser.
AI-studieresultat
Jämförelseresultaten, som publicerades på tisdag i tidskriften Science, avslöjar att GraphCast överträffar HRES när det gäller att förutsäga många väderfaktorer. Enligt studien, Googles maskin överträffar ECMWFs i 90,3 % av de 1.380 XNUMX mätvärdena som undersökts.
När man enbart fokuserar på troposfären, det atmosfäriska skiktet där de flesta väderhändelser inträffar, och exklusive data från stratosfären, som är cirka 6 till 8 kilometer över jordens yta, överträffar artificiell intelligens (A.I.) superdatorer som övervakas av människor i 99,7 % av fall. de analyserade variablerna. Överraskande nog uppnåddes denna prestation med en maskin som liknar en persondator känd som en tensorprocessor eller TPU.
Enligt Álvaro Sánchez González, forskare på Google DeepMind, är TPU:er specialiserad hårdvara som erbjuder effektivare träning och exekvering av artificiell intelligensprogramvara jämfört med en vanlig PC, samtidigt som den bibehåller en liknande storlek. Precis som en dators grafikkort fokuserar på att rendera bilder, är TPU:er designade för att utmärka sig i matrisprodukter. För GraphCast-träning använde vi 32 TPU:er under flera veckor. Men när utbildningen är klar, en enda TPU kan generera förutsägelser på mindre än en minut, som förklaras av Sánchez González, en av skaparna av enheten.
GraphCast och prediktionssystem
En anmärkningsvärd skillnad mellan GraphCast och befintliga prediktionssystem är dess förmåga att införliva historiska data. Skaparna tränade systemet med hjälp av meteorologiska data från ECMWF-arkivet som går tillbaka till 1979. Denna omfattande datamängd omfattar nederbörden i Santiago och cyklonerna som har påverkat Acapulco under en period av 40 år. Efter en ansenlig mängd träning har GraphCast den anmärkningsvärda förmågan att generera exakta väderprognoser.
Det krävs bara kunskap om väderförhållandena sex timmar före och omedelbart före din prognos för att exakt förutsäga vädret ytterligare sex timmar från nu. Förutsägelser är beroende av varandra och varje ny prognos informerar om den föregående. Ferran Alet, medskapare av denna imponerande DeepMind-maskin, förklarar dess inre funktion: «Vårt neurala nätverk förutser väderförhållanden sex timmar i förväg. För att förutsäga vädret inom 24 timmar utvärderar vi helt enkelt modellen fyra gånger. Alternativt kunde vi ha tränat separata modeller för de olika tidsperioderna, till exempel en för sex timmar och en för 24 timmar. Dock, "Vi förstår att de underliggande principerna som styr vädret förblir konsekventa inom en sextimmarsperiod."
"Därför, om vi kan upptäcka den lämpliga 6-timmarsmodellen och använda dess egna förutsägelser som input, kan vi exakt förutsäga vädret för de kommande 12 timmarna och upprepa denna process var sjätte timme." Enligt Alet ger detta tillvägagångssätt en betydande mängd data för en enda modell, vilket resulterar i effektivare träning.
Hittills har väderprognoser varit baserade på numeriska väderförutsägelser, som använder vetenskapliga ekvationer som utvecklats genom historien för att redogöra för de olika komplexiteten i atmosfärisk dynamik. Forskarnas resultat etablerar en uppsättning matematiska algoritmer som superdatorer måste köras för att generera förutsägelser för de närmaste timmarna, dagarna eller veckorna (även om tillförlitligheten minskar betydligt efter 15 dagar). Att utföra denna uppgift kräver dock en mycket avancerad superdator, vilket innebär betydande kostnader och omfattande ingenjörsinsatser.
Google AI-modell förutsäger vädret
Det som är särskilt anmärkningsvärt är att dessa system de använder inte väderförhållandena från föregående dag eller ens föregående årtrots att det inträffar på samma plats och samtidigt.
Tvärtom, den närmar sig uppgiften från en annan vinkel, nästan tvärtom. Genom sina avancerade djupinlärningsmöjligheter använder den omfattande arkiv av tidigare väderdata för att få en omfattande förståelse för den invecklade orsak-och-verkan-dynamiken som dikterar utvecklingen av jordens klimat.
Enligt José Luis Casado, talesperson för spanska meteorologiska byrån (AEMET), tas inte hänsyn till historiska data i den atmosfäriska modellen. Casado klargör att denna modell är baserad på befintliga observationer och den senaste förutsägelsen som modellen själv gjort. Genom att noggrant förstå atmosfärens nuvarande tillstånd är det möjligt att förutsäga dess framtida utveckling. Till skillnad från maskininlärningstekniker använder detta tillvägagångssätt inte historiska data eller förutsägelser.
Jag hoppas att du med denna information kan lära dig mer om Googles AI som förutsäger vädret och dess egenskaper.