Google onthulde NeuralGCM, een hybride weersvoorspellingsmodel dat machine learning combineert met traditionele voorspellingstechnieken en verrassende voordelen heeft.
De nauwkeurigheid van weersvoorspellingen is drastisch verbeterd, maar traditionele technieken vereisen enorme rekenkracht om steeds complexere algoritmen uit te voeren.
Algemene circulatiemodellen (GCM's) vormen de basis van de klimaat- en weersvoorspellingen die je laten weten of je morgen een paraplu nodig hebt.
GCMs zijn natuurkundige simulatoren die wiskundige vergelijkingen gebruiken op basis van de wetten van de natuurkunde om te simuleren hoe lucht, water en energie over de planeet bewegen.
Typische GCM's verdelen het aardoppervlak in een raster van cellen tot 100 kilometer als een gigantisch schaakbord. Het algoritme verwerkt elk vakje stapsgewijs om te voorspellen hoe de atmosferische omstandigheden waarschijnlijk zullen veranderen.
De vergelijkingen achter GCM's zijn ongelooflijk complex en houden 's werelds grootste supercomputers bezig.
Machine learning (ML) modellen voor weersvoorspelling hebben een aanzienlijk potentieel laten zien, maar ze zijn voornamelijk data-gedreven.
Een ML-weervoorspellingsmodel heeft een goed idee van historische weergegevens, maar mist het inherente begrip van de natuurkundige wetten die de atmosfeer besturen en die worden gemodelleerd in een GCM.
ML-modellen zijn snel en kunnen nauwkeurige kortetermijnvoorspellingen doen, maar ze hebben vaak moeite met stabiliteit op lange termijn en zeldzame extreme weersomstandigheden of toekomstige klimaatscenario's.
NeuralGCM, ontwikkeld door een team bij Google Research, combineert de nauwkeurigheid en langetermijnvoorspellingsmogelijkheden van traditionele GCM's met de verbeterde resolutie, efficiëntie en snelheid van ML-modellen.
NeuralGCM is vrij beschikbaar en we zijn benieuwd hoe wetenschappers erop voortbouwen.
Zie voor meer details mijn blogpost waarin het werk wordt beschreven en onze open source code:https://t.co/AfqLagoYDshttps://t.co/MSlFg6pgfj
- Stephan Hoyer (@shoyer) 22 juli 2024
Volgens het artikel is de nauwkeurigheid van NeuralGCM vergelijkbaar met of beter dan de huidige geavanceerde GCM-modellen. Het artikel zegt dat NeuralGCM "het eerste op machine-learning gebaseerde model is dat nauwkeurige weersvoorspellingen voor een ensemble maakt, met betere CRPS dan de meest recente op fysica gebaseerde modellen.
CRPS is een score die het voorspelde weer vergelijkt met het werkelijke weer.
De onderzoekers beweren: "NeuralGCM is concurrerend met machine-lerende modellen voor één- tot tiendaagse voorspellingen en met de ensemblevoorspelling van het European Centre for Medium-Range Weather Forecasts voor één- tot vijftiendaagse voorspellingen."
Hoewel NeuralGCM vergelijkbare voorspellingsresultaten behaalt als GCM's, is het rekenkundig ordes van grootte minder intensief en een stuk minder complex.
Het papier zegt niet hoe groot NeuralGCM is, maar biedt Google's ML-weervoorspellingsmodel GraphCast als vergelijking.
GraphCast bestaat uit ongeveer 5.417 regels, terwijl het atmosferische model FV3 van de National Oceanic and Atmospheric Administration (NOAA) ongeveer 376.578 regels code bevat.
De onderzoekers zeggen dat NeuralGCM "3 tot 5 orden van grootte besparingen in rekenkracht" mogelijk maakt.
Om dit in de juiste context te plaatsen, legt het artikel uit dat "NeuralGCM-1.4° 70.000 simulatiedagen in 24 uur simuleert met behulp van een enkele tensorverwerkende eenheid versus 19 gesimuleerde dagen op 13.824 cores van de centrale verwerkingseenheid met X-SHiELD", wat een weervoorspellingsmodel met hoge resolutie is.
De onderzoekers zeggen dat hun resultaten aantonen dat hun model indrukwekkende mogelijkheden voor klimaatmodellering heeft. In het artikel wordt opgemerkt dat "NeuralGCM-modellen die zijn getraind op 72-uurs voorspellingen in staat zijn tot realistische meerjarige simulatie".
Het combineren van machine learning met traditionele natuurkundige modellen, zoals Google deed met weersvoorspellingen, "heeft de potentie om simulatie te transformeren voor een breed scala aan toepassingen, zoals het ontdekken van materialen, het vouwen van eiwitten en het ontwerpen van engineering met meerdere fysica."
AI, dat veel bronnen nodig heeft, heeft ervoor gezorgd dat datacenters veel te verduren krijgen. kritiek voor hun koolstofuitstoot en potentiële impact op het klimaat.
NeuralGCM is een goed voorbeeld van hoe AI een positieve invloed kan hebben op het milieu door inefficiënte traditionele processen te vervangen of uit te breiden om het computerverbruik te verminderen.
