Google DeepMinds maskinlæringsmodel, GraphCast, slog traditionelle vejrprognosemetoder med en vis afstand i tidlige tests.
At forudsige vejret præcist er en vanskelig opgave, der bliver eksponentielt kompleks, jo flere dage ud i fremtiden vi ønsker at forudsige.
Det er derfor, meteorologiske organisationer er afhængige af verdens kraftigste supercomputere til at knuse de komplekse forudsigelsesalgoritmer, der fortæller os, om det vil regne i morgen eller ej.
IFS-modellen (Integrated Forecasting System), som European Centre for Medium-Range Weather Forecasts (ECMWF) bruger, anses for at være den mest nøjagtige europæiske vejrmodel. Og GraphCast har lige slået den med flere længder.
GraphCast var i stand til at forudsige vejret 10 dage i forvejen hurtigere og mere præcist end ECMWF i mere end 90% af 1.380 verifikationsmål.
Det er praktisk at vide, om du skal tage din paraply med på arbejde, men at forudsige ekstreme vejrbegivenheder præcist er der, hvor GraphCast kan få en betydelig indflydelse.
I september, da orkanen Lee var 9 dage fra at gå i land, arbejdede vejrkontorerne hårdt på at forudsige, hvilken by der ville blive hårdest ramt af stormen.
IFS-modellen gav en grov forudsigelse af, at orkanen ville ramme nogle nordøstlige byer eller muligvis gå helt forbi dem. I mellemtiden forudsagde GraphCast, at orkanen Lee ville ramme Nova Scotia.
Først 3 dage senere kom IFS til samme konklusion, som i sidste ende viste sig at være korrekt. Forestil dig den forbedring af ressourceanvendelsen og beredskabet, som 3 ekstra dage ville muliggøre.
Pushmeet Kohli, VP for forskning hos Google DeepMind, sagde: "Vejrforudsigelse er et af de mest udfordrende problemer, som menneskeheden har arbejdet med i lang, lang tid. Og hvis man ser på, hvad der er sket i de sidste par år med klimaforandringerne, er det et utroligt vigtigt problem."
Vi præsenterer GraphCast: vores avancerede AI-model, der leverer 10-dages vejrudsigter med hidtil uset nøjagtighed på under et minut. 🌦️
Det kan endda hjælpe med at forudsige cykloners potentielle baner længere ude i fremtiden.
Sådan her fungerer det. 🧵 https://t.co/ygughpkdeP pic.twitter.com/0Y6DyBXDow
- Google DeepMind (@GoogleDeepMind) 14. november 2023
Hvordan fungerer det?
Traditionelle modeller som IFS bruger "numerisk vejrforudsigelse" (NWP). Det indebærer indsamling af enorme mængder data fra vejrsensorer, som derefter indlæses i komplekse ligninger, som supercomputere behandler.
Ligningerne justeres af hold af eksperter og er blevet mere og mere præcise, men de kræver stadig en masse computerkraft og tager lang tid at komme frem til en forudsigelse.
NWP forsøger i bund og grund at bruge algoritmer til at modellere, hvordan atmosfæren fungerer, for at forudsige, hvad der vil ske som det næste.
Det, GraphCast gør, er meget enklere, men kan ikke klares med traditionelle ligninger.
GraphCast-modellen bruger maskinlæringsbaseret vejrforudsigelse (MLWP) og er trænet på omkring 50 års historiske vejrdata.
Derefter tager den disse data, og i stedet for at skabe en model af vores atmosfære leder den efter mønstre i dataene. En AI-model er fantastisk til at finde subtile mønstre, som det er umuligt for faste ligninger at opdage.
GraphCast ser grundlæggende på de aktuelle vejrdata og siger: "Sidste gang jeg så disse forhold, var det næste, der skete ..." og laver derefter en forudsigelse.
Detaljeringsgraden, eller opløsningen, af GraphCast-forudsigelser er ikke så god som traditionelle modeller, men den er meget mere præcis og meget hurtigere.
Hvor en supercomputer ville være nødt til at knuse vejrdata i timevis for at komme med en forudsigelse, kan GraphCast producere et resultat på mindre end et minut på en enkelt Google TPU v4-maskine.
MLWP er stærkt afhængig af historiske data fra traditionelle NWP-modeller, så den vil ikke erstatte dem helt endnu.
Men at bruge et værktøj som GraphCast sammen med de nuværende metoder vil hjælpe med at forudsige ekstreme vejrbegivenheder hurtigere og mere præcist.
Google DeepMind gør GraphCast til open source, og det bruges allerede af ECMWF.
