Google afslørede NeuralGCM, en hybrid vejrforudsigelsesmodel, der kombinerer maskinlæring med traditionelle forudsigelsesteknikker og har overraskende fordele.
Vejrforudsigelser har oplevet dramatiske forbedringer i prognosens nøjagtighed, men traditionelle teknikker kræver enorme computerressourcer for at køre stadig mere komplekse algoritmer.
Generelle cirkulationsmodeller (GCM'er) danner grundlag for de klima- og vejrforudsigelser, der fortæller dig, om du får brug for en paraply i morgen.
GCM'er er fysikbaserede simulatorer, der bruger matematiske ligninger baseret på fysikkens love til at simulere, hvordan luft, vand og energi bevæger sig rundt på planeten.
Typiske GCM'er opdeler jordens overflade i et gitter af celler på op til 100 kilometer som et gigantisk skakbræt. Algoritmen behandler hver firkant i en trinvis tilgang for at forudsige, hvordan de atmosfæriske forhold sandsynligvis vil ændre sig.
Ligningerne bag GCM'er er utroligt komplekse og holder nogle af verdens største supercomputere beskæftiget.
Maskinlæringsmodeller (ML) til vejrforudsigelse har vist et betydeligt potentiale, men de er primært datadrevne.
En ML-vejrprognosemodel har en god idé om historiske vejrdata, men mangler den iboende forståelse af de fysiske love, der styrer atmosfæren, som er modelleret i en GCM.
ML-modeller er hurtige og kan give præcise prognoser på kort sigt, men de kæmper ofte med langsigtet stabilitet og sjældne ekstreme vejrhændelser eller fremtidige klimascenarier.
NeuralGCM, der er udviklet af et team hos Google Research, kombinerer de traditionelle GCM'ers nøjagtighed og langsigtede forudsigelsesmuligheder med ML-modellernes forbedrede opløsning, effektivitet og hastighed.
NeuralGCM er frit tilgængeligt, og vi er spændte på at se, hvordan forskere bygger videre på det.
For flere detaljer, se mit blogindlæg, der beskriver arbejdet, og vores åbne kildekode:https://t.co/AfqLagoYDshttps://t.co/MSlFg6pgfj
- Stephan Hoyer (@shoyer) 22. juli 2024
I artiklen står der, at NeuralGCM's nøjagtighed er sammenlignelig med eller bedre end de nuværende state-of-the-art GCM-modeller. Der står, at NeuralGCM er "den første maskinlæringsbaserede model, der laver nøjagtige vejrprognoser med bedre CRPS end de mest avancerede fysikbaserede modeller.
CRPS er en score, der sammenligner det forventede vejr med det faktiske vejr.
Forskerne hævder, at "NeuralGCM er konkurrencedygtig med maskinlæringsmodeller for en- til ti-dages prognoser og med European Centre for Medium-Range Weather Forecasts ensembleprognose for en- til femten-dages prognoser."
Mens NeuralGCM opnår sammenlignelige forudsigelsesresultater med GCM'er, er den størrelsesordener mindre beregningsintensiv og meget mindre kompleks.
Avisen siger ikke, hvor stor NeuralGCM er, men tilbyder Googles ML-vejrforudsigelsesmodel GraphCast som en sammenligning.
GraphCast består af omkring 5.417 linjer, mens National Oceanic and Atmospheric Administration's (NOAA) FV3-atmosfæriske model har cirka 376.578 kodelinjer.
Forskerne siger, at NeuralGCM muliggør "3 til 5 størrelsesordeners besparelser i beregningsressourcer".
For at sætte det i perspektiv forklarer artiklen, at "NeuralGCM-1.4° simulerer 70.000 simuleringsdage på 24 timer ved hjælp af en enkelt tensorbehandlingsenhed mod 19 simulerede dage på 13.824 centrale behandlingsenheder med X-SHiELD", som er en vejrprognosemodel i høj opløsning.
Forskerne siger, at deres resultater viser, at deres model har imponerende klimamodelleringsevner. I artiklen bemærkes det, at "NeuralGCM-modeller, der er trænet på 72-timers prognoser, er i stand til realistisk flerårig simulering."
At kombinere maskinlæring med traditionelle fysikmodeller, som Google gjorde med vejrforudsigelser, "har potentiale til at transformere simulering til en lang række anvendelser, såsom materialeopdagelse, proteinfoldning og multifysisk ingeniørdesign."
Ressourcekrævende AI har betydet, at datacentre er blevet udsat for en masse kritik for deres CO2-udledning og potentielle klimapåvirkning.
NeuralGCM er et godt eksempel på, hvordan AI kan have en positiv indvirkning på miljøet ved at erstatte eller supplere ineffektive traditionelle processer for at reducere computerens strømforbrug.
