Google DeepMinds maskininlärningsmodell GraphCast slog traditionella metoder för väderprognoser med råge i tidiga tester.
Att förutspå vädret exakt är en svår uppgift som blir exponentiellt mer komplex ju fler dagar in i framtiden vi vill förutspå.
Det är därför som meteorologiska organisationer förlitar sig på världens mest kraftfulla superdatorer för att räkna ut de komplexa prediktiva algoritmer som berättar för oss om det kommer att regna i morgon eller inte.
IFS-modellen (Integrated Forecasting System) som används av ECMWF (European Centre for Medium-Range Weather Forecasts) anses vara den mest exakta europeiska vädermodellen. Och GraphCast slog den just med hästlängder.
GraphCast kunde förutspå vädret 10 dagar i förväg snabbare och mer exakt än ECMWF i mer än 90% av 1.380 verifieringsmål.
Att veta om man ska ta med sig paraplyet till jobbet är praktiskt, men att exakt förutse extrema väderhändelser är där GraphCast skulle kunna göra en betydande inverkan.
I september, när orkanen Lee var 9 dagar från att nå land, arbetade väderkontoren hårt för att förutsäga vilken stad som skulle drabbas hårdast av stormen.
IFS-modellen gav en grov förutsägelse om att orkanen skulle träffa några nordöstra städer eller eventuellt missa dem helt. Under tiden förutspådde GraphCast att orkanen Lee skulle träffa Nova Scotia.
Det var först 3 dagar senare som IFS kom fram till samma slutsats, som så småningom visade sig vara korrekt. Föreställ er den förbättring av resursanvändningen och räddningstjänsten som 3 extra dagar skulle möjliggöra.
Pushmeet Kohli, VP för forskning på Google DeepMind, sa: "Väderprognoser är ett av de mest utmanande problem som mänskligheten har arbetat med under lång, lång tid. Och om man tittar på vad som har hänt under de senaste åren med klimatförändringarna är det här ett otroligt viktigt problem."
Vi presenterar GraphCast: vår toppmoderna AI-modell som levererar 10-dagars väderprognoser med oöverträffad noggrannhet på mindre än en minut. 🌦️
Den kan till och med hjälpa till att förutsäga cykloners potentiella banor längre fram i tiden.
Så här fungerar det. 🧵 https://t.co/ygughpkdeP pic.twitter.com/0Y6DyBXDow
- Google DeepMind (@GoogleDeepMind) 14 november 2023
Hur fungerar det?
Traditionella modeller som IFS använder sig av "numerisk väderprognos" (NWP). Detta innebär att man samlar in stora mängder data från vädersensorer som sedan matas in i komplexa ekvationer som bearbetas av superdatorer.
Ekvationerna finjusteras av expertgrupper och har blivit alltmer exakta, men de kräver fortfarande mycket datorkraft och det tar lång tid att komma fram till en prognos.
NWP försöker i huvudsak använda algoritmer för att modellera hur atmosfären fungerar för att förutsäga vad som kommer att hända härnäst.
Det GraphCast gör är mycket enklare, men kan inte göras med traditionella ekvationer.
GraphCast-modellen använder maskininlärningsbaserad väderprognos (MLWP) och är utbildad på cirka 50 års historiska väderdata.
Den tar sedan dessa data och i stället för att skapa en modell av vår atmosfär letar den efter mönster i data. En AI-modell är bra på att hitta subtila mönster som är omöjliga för fasta ekvationer att upptäcka.
GraphCast tittar i princip på aktuella väderdata och säger: "Förra gången jag såg de här förhållandena var nästa sak som hände ..." och gör sedan en förutsägelse.
Detaljnivån, eller upplösningen, i GraphCasts förutsägelser är inte lika bra som i traditionella modeller, men den är mycket mer exakt och mycket snabbare.
Där en superdator skulle behöva bearbeta väderdata i timmar för att göra en förutsägelse, kan GraphCast producera ett resultat på mindre än en minut på en enda Google TPU v4-maskin.
MLWP är starkt beroende av historiska data som produceras av traditionella NWP-modeller, så det kommer inte att ersätta dem riktigt än.
Att använda ett verktyg som GraphCast tillsammans med nuvarande metoder kommer dock att bidra till att förutsäga extrema väderhändelser snabbare och mer exakt.
Google DeepMind gör GraphCast till öppen källkod och det används redan av ECMWF.
