Google/academic project отлично справляется с погодой, но имеет некоторые ограничения в отношении климата.
На данный момент лучшей в мире моделью прогноза погоды является модель общей циркуляции, или GCM, разработанная Европейским центром среднесрочных прогнозов погоды. GCM частично основан на коде, который вычисляет физику различных атмосферных процессов, которые мы хорошо понимаем. Во многом остальном GCM полагаются на так называемую «параметризацию», которая пытается использовать эмпирически определенные соотношения для приближения к тому, что происходит с процессами, в которых мы не до конца понимаем физику.
В последнее время GCMS столкнулись с некоторой конкуренцией со стороны методов машинного обучения, которые обучают системы искусственного интеллекта распознавать закономерности в метеорологических данных и использовать их для прогнозирования условий, которые возникнут в ближайшие несколько дней. Однако их прогнозы, как правило, становятся немного расплывчатыми более чем через несколько дней и не учитывают тех долгосрочных факторов, которые необходимо учитывать при использовании GCMS для изучения изменения климата.
В понедельник команда из Google AI group и Европейского центра среднесрочных прогнозов погоды анонсируют NeuralGCM, систему, которая сочетает физическую циркуляцию атмосферы с параметризацией ИИ других метеорологических воздействий. Нейронная вычислительная система GCM эффективна в вычислительном отношении и очень хорошо работает в тестах прогнозирования погоды. Поразительно, что она также может выдавать приемлемые результаты для прогонов, охватывающих десятилетия, что потенциально позволяет решать некоторые вопросы, связанные с климатом. Хотя она не может справиться со многими задачами, для которых мы используем климатические модели, есть несколько очевидных путей для потенциальных улучшений.
Познакомьтесь с NeuralGCM
NeuralGCM — это система, состоящая из двух частей. Существует то, что исследователи называют «динамическим ядром», которое отвечает за физику крупномасштабной атмосферной конвекции и принимает во внимание основные физические процессы, такие как гравитация и термодинамика. Всем остальным управляет искусственный интеллект. «Это все, чего нет в уравнениях гидродинамики», — сказал Стефан Хойер из Google. «Таким образом, это означает, что облака, осадки, солнечное излучение, сопротивление поверхности Земли — а также все остаточные члены в уравнениях, которые находятся ниже масштаба сетки примерно в 100 километров или около того». Это то, что вы могли бы назвать монолитным искусственным интеллектом. Вместо обучения отдельных модулей, которые управляют одним процессом, таким как формирование облаков, часть ИИ обучается справляться со всем сразу.
Важно отметить, что вся система обучается одновременно, а не отдельно от физического ядра. Первоначально оценка производительности и обновление нейронной сети выполнялись с интервалом в шесть часов, поскольку система не очень стабильна, пока не будет обучена хотя бы частично. Со временем это растянулось до пяти дней.
В результате получилась конкурентоспособная система с наилучшими доступными прогнозами на срок до 10 дней, которая часто превосходит конкурентов в зависимости от используемой точности измерений (в дополнение к критериям прогнозирования погоды исследователи изучали такие особенности, как тропические циклоны, атмосферные реки и зона межтропической конвергенции). При составлении более длительных прогнозов он, как правило, давал менее размытые характеристики, чем те, которые были получены с помощью чистого искусственного интеллекта, даже несмотря на то, что он работал с более низким разрешением, чем они были на самом деле. Такое низкое разрешение означает, что площадь сетки (поверхность Земли разделена на отдельные квадраты для вычислительных целей) больше, чем у большинства других моделей, что значительно снижает требования к вычислительной мощности.
Несмотря на успех в работе с погодой, было несколько серьезных предостережений. Во-первых, NeuralGCM склонен недооценивать экстремальные явления, происходящие в тропиках. Во-вторых, он на самом деле не моделирует осадки; вместо этого он рассчитывает баланс между испарением и осадками.
Но она также обладает некоторыми специфическими преимуществами по сравнению с некоторыми другими моделями краткосрочного прогнозирования, ключевым из которых является то, что на самом деле она не ограничивается краткосрочной перспективой. Исследователи позволили ему работать в течение двух лет, и он успешно воспроизвел сезонный цикл, который выглядел разумно, включая крупномасштабные особенности атмосферной циркуляции. Другие длительные циклоны показывают, что он может производить соответствующие подсчеты тропических циклонов, которые в дальнейшем движутся по траекториям, отражающим закономерности, наблюдаемые в реальном мире.
