{"id":13552,"date":"2024-07-23T13:12:56","date_gmt":"2024-07-23T13:12:56","guid":{"rendered":"https:\/\/dailyai.com\/?p=13552"},"modified":"2024-07-23T13:19:34","modified_gmt":"2024-07-23T13:19:34","slug":"googles-ai-predicts-weather-using-fraction-of-computing-power","status":"publish","type":"post","link":"https:\/\/dailyai.com\/nb\/2024\/07\/googles-ai-predicts-weather-using-fraction-of-computing-power\/","title":{"rendered":"Googles AI forutser v\u00e6ret ved hjelp av en br\u00f8kdel av datakraften"},"content":{"rendered":"

Google presenterte NeuralGCM, en hybridmodell for v\u00e6rvarsling som kombinerer maskinl\u00e6ring med tradisjonelle varslingsteknikker, og som har overraskende fordeler.<\/strong><\/p>\n

V\u00e6rvarsling har hatt en dramatisk forbedring i prognosen\u00f8yaktigheten, men tradisjonelle teknikker krever enorme dataressurser for \u00e5 kj\u00f8re stadig mer komplekse algoritmer.<\/p>\n

Generelle sirkulasjonsmodeller (GCM-er) danner grunnlaget for klima- og v\u00e6rprognosene som forteller deg om du trenger en paraply i morgen.<\/p>\n

GCM-er er fysikkbaserte simulatorer som bruker matematiske ligninger basert p\u00e5 fysikkens lover til \u00e5 simulere hvordan luft, vann og energi beveger seg rundt p\u00e5 planeten.<\/p>\n

Typiske GCM-er deler jordoverflaten inn i et rutenett av celler p\u00e5 opptil 100 kilometer, som et gigantisk sjakkbrett. Algoritmen behandler hver rute trinnvis for \u00e5 forutsi hvordan de atmosf\u00e6riske forholdene sannsynligvis vil endre seg.<\/p>\n

Ligningene bak GCM-er er utrolig komplekse og holder noen av verdens st\u00f8rste superdatamaskiner opptatt.<\/p>\n

Maskinl\u00e6ringsmodeller (ML) for v\u00e6rvarsling har vist seg \u00e5 ha et betydelig potensial, men de er f\u00f8rst og fremst datadrevne.<\/p>\n

En ML-v\u00e6rvarslingsmodell har en god id\u00e9 om historiske v\u00e6rdata, men mangler den iboende forst\u00e5elsen av de fysiske lovene som styrer atmosf\u00e6ren, som er modellert i en GCM.<\/p>\n

ML-modeller er raske og kan gi n\u00f8yaktige korttidsprognoser, men de sliter ofte med langsiktig stabilitet og sjeldne ekstreme v\u00e6rhendelser eller fremtidige klimascenarioer.<\/p>\n

NeuralGCM er utviklet av et team ved Google Research og kombinerer n\u00f8yaktigheten og de langsiktige prediksjonsegenskapene til tradisjonelle GCM-er med den forbedrede oppl\u00f8sningen, effektiviteten og hastigheten til ML-modeller.<\/p>\n

\n

NeuralGCM er fritt tilgjengelig, og vi er spente p\u00e5 \u00e5 se hvordan forskere bygger videre p\u00e5 det.<\/p>\n

For mer informasjon, se blogginnlegget mitt som beskriver arbeidet, og den \u00e5pne kildekoden v\u00e5r:https:\/\/t.co\/AfqLagoYDs<\/a>https:\/\/t.co\/MSlFg6pgfj<\/a><\/p>\n

- Stephan Hoyer (@shoyer) 22. juli 2024<\/a><\/p><\/blockquote>\n