Сегодняшние прогнозы погоды поступают с одних из самых мощных компьютеров на Земле. Огромные машины выполняют миллионы вычислений, решая уравнения для прогнозирования температуры, ветра, осадков и других погодных явлений. Совместная потребность прогнозов в скорости и точности требует больших затрат даже на самые современные компьютеры.
В будущем подход может быть совершенно другим. Сотрудничество Вашингтонского университета и Microsoft Research показывает, как искусственный интеллект может анализировать прошлые погодные условия для прогнозирования будущих событий гораздо эффективнее и, возможно, когда-нибудь более точно, чем современные технологии.
Недавно разработанная глобальная модель погоды основывает свои прогнозы на данных о погоде за последние 40 лет, а не на подробных физических расчетах. Согласно статье, опубликованной этим летом, простая модель искусственного интеллекта, основанная на данных, может имитировать годичную погоду по всему земному шару гораздо быстрее и почти так же, как традиционные погодные модели, делая аналогичные повторяющиеся шаги от одного прогноза к другому.
«Машинное обучение — это, по сути, более развитая версия распознавания образов», — сказал ведущий автор Джонатан Вейн, проводивший исследование в рамках своей докторской степени по атмосферным наукам в UW. «Он видит типичную модель, распознает, как она обычно развивается, и решает, что делать, на основе данных, которые он имеет за последние 40 лет».
Несмотря на то, что новая модель, что неудивительно, менее точна, чем лучшие традиционные модели прогнозирования сегодняшнего дня, нынешний дизайн ИИ использует примерно в 7000 раз меньше вычислительной мощности для создания прогнозов для того же количества точек на земном шаре. Меньше вычислительной работы означает более быстрые результаты.
Это ускорение позволит центрам прогнозирования быстро запускать множество моделей с немного разными начальными условиями, метод, называемый «ансамблевое прогнозирование», который позволяет прогнозам погоды покрывать диапазон возможных ожидаемых результатов для погодных явлений — например, там, где может ударить ураган.
«В этом подходе гораздо больше эффективности; вот что в нем так важно», — сказал писатель Дейл Дурран, профессор атмосферных наук из Университета штата Вашингтон. «Идея состоит в том, что это может позволить нам решать проблемы предсказуемости, имея модель, достаточно быструю для работы очень больших ансамблей».
Соавтор Рич Каруана из Microsoft Research первоначально обратился к группе UW с предложением проекта с использованием искусственного интеллекта для прогнозирования погоды на основе исторических данных, не полагаясь на физические законы. Вейн проходил курс машинного обучения UW по информатике и решил взяться за проект.
«После тренировки на прошлых погодных данных алгоритм ИИ способен выявлять взаимосвязи между различными переменными, которые физические уравнения просто не могут сделать», — сказал Вейн. «Мы можем позволить себе использовать гораздо меньше переменных и, следовательно, сделать модель намного быстрее».
Чтобы объединить успешные методы искусственного интеллекта с прогнозированием погоды, команда нанесла шесть граней куба на планету Земля, а затем выровняла шесть граней куба, как в архитектурной бумажной модели. Затем авторы протестировали свою модель, предсказывая глобальную высоту давления 500 гектопаскалей, стандартной переменной в прогнозировании погоды, каждые 12 часов в течение всего года. В недавней статье, в которой Вейн был соавтором, WeatherBench был представлен в качестве эталонного теста для прогнозов погоды на основе данных. В тесте прогнозирования, разработанном для трехдневных прогнозов, эта новая модель является одной из лучших.
По словам авторов, модели, основанной на данных, потребуется больше деталей, прежде чем она сможет конкурировать с существующими оперативными прогнозами, но эта идея является многообещающей как альтернативный подход к созданию прогнозов погоды, особенно с растущим количеством предыдущих прогнозов и наблюдений за погодой.