Google DeepMinds maskinlæringsmodell, GraphCast, slo tradisjonelle værvarslingsmetoder med god margin i tidlige tester.
Å forutsi været nøyaktig er en vanskelig oppgave som blir eksponentielt mer kompleks jo flere dager frem i tid vi ønsker å forutsi.
Det er derfor meteorologiske organisasjoner er avhengige av verdens kraftigste superdatamaskiner for å knuse de komplekse prediksjonsalgoritmene som forteller oss om det kommer til å regne i morgen eller ikke.
IFS-modellen (Integrated Forecasting System) som European Centre for Medium-Range Weather Forecasts (ECMWF) bruker, regnes som den mest nøyaktige europeiske værmodellen. Og GraphCast slo den nettopp med god margin.
GraphCast var i stand til å forutsi været 10 dager i forveien raskere og mer nøyaktig enn ECMWF i mer enn 90% av 1380 verifikasjonsmål.
Det er praktisk å vite om du bør ta med deg paraplyen på jobb, men det er når det gjelder å forutsi ekstreme værhendelser at GraphCast kan gjøre en betydelig forskjell.
I september, da orkanen Lee var ni dager fra å treffe land, jobbet værkontorene hardt for å forutsi hvilken by som ville bli hardest rammet av stormen.
IFS-modellen ga en grov spådom om at orkanen ville treffe noen byer i nordøst, eller muligens ikke treffe dem i det hele tatt. I mellomtiden spådde GraphCast at orkanen Lee ville treffe Nova Scotia.
Først tre dager senere kom IFS til samme konklusjon, som til slutt viste seg å være korrekt. Tenk deg hvor mye bedre ressursutnyttelse og beredskap som ville vært mulig med tre dager ekstra.
Pushmeet Kohli, VP for forskning hos Google DeepMind, sa: "Værvarsling er et av de mest utfordrende problemene som menneskeheten har jobbet med i lang, lang tid. Og hvis du ser på hva som har skjedd de siste årene med klimaendringene, er dette et utrolig viktig problem."
Vi presenterer GraphCast: vår toppmoderne AI-modell som leverer 10-dagers værvarsler med enestående nøyaktighet på under ett minutt. 🌦️
Den kan til og med bidra til å forutsi syklonenes potensielle baner lenger frem i tid.
Her er hvordan det fungerer. 🧵 https://t.co/ygughpkdeP pic.twitter.com/0Y6DyBXDow
- Google DeepMind (@GoogleDeepMind) 14. november 2023
Hvordan fungerer det?
Tradisjonelle modeller som IFS bruker "numerisk værvarsling" (NWP). Dette innebærer innsamling av enorme mengder data fra værsensorer, som deretter legges inn i komplekse ligninger som superdatamaskiner behandler.
Ligningene finjusteres av ekspertteam og har blitt stadig mer nøyaktige, men de krever fortsatt mye databehandlingskraft og tar lang tid å komme frem til en prediksjon.
NWP går i hovedsak ut på å bruke algoritmer til å modellere hvordan atmosfæren fungerer for å forutsi hva som vil skje videre.
Det GraphCast gjør, er mye enklere, men kan ikke gjøres med tradisjonelle ligninger.
GraphCast-modellen bruker maskinlæringsbasert værvarsling (MLWP) og er trent på historiske værdata fra omtrent 50 år.
Deretter tar den dataene, og i stedet for å lage en modell av atmosfæren vår, ser den etter mønstre i dataene. En AI-modell er god til å finne subtile mønstre som det er umulig for faste ligninger å oppdage.
GraphCast ser i utgangspunktet på de aktuelle værdataene og sier: "Sist gang jeg så disse forholdene, var det neste som skjedde ...", og kommer deretter med en spådom.
Detaljnivået, eller oppløsningen, i GraphCast-spådommene er ikke like god som i tradisjonelle modeller, men den er mye mer nøyaktig og mye raskere.
Mens en superdatamaskin må bruke timevis på å knuse værdata for å komme med en spådom, kan GraphCast produsere et resultat på mindre enn ett minutt på en enkelt Google TPU v4-maskin.
MLWP er i stor grad avhengig av historiske data produsert av tradisjonelle NWP-modeller, så den vil ikke erstatte dem helt ennå.
Ved å bruke et verktøy som GraphCast sammen med dagens metoder vil man imidlertid kunne forutsi ekstreme værhendelser raskere og mer nøyaktig.
Google DeepMind gjør GraphCast til åpen kildekode, og det brukes allerede av ECMWF.
