{"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\/sv\/2024\/07\/googles-ai-predicts-weather-using-fraction-of-computing-power\/","title":{"rendered":"Googles AI f\u00f6rutsp\u00e5r v\u00e4der med hj\u00e4lp av en br\u00e5kdel av datorkraften"},"content":{"rendered":"

Google presenterade NeuralGCM, en hybridmodell f\u00f6r v\u00e4derprognoser som kombinerar maskininl\u00e4rning med traditionell prognosmetodik och som har \u00f6verraskande f\u00f6rdelar.<\/strong><\/p>\n

V\u00e4derprognoserna har f\u00f6rb\u00e4ttrats dramatiskt n\u00e4r det g\u00e4ller prognosprecision, men traditionella tekniker kr\u00e4ver stora datorresurser f\u00f6r att k\u00f6ra alltmer komplexa algoritmer.<\/p>\n

General circulation models (GCM) ligger till grund f\u00f6r de klimat- och v\u00e4derprognoser som g\u00f6r att du vet om du beh\u00f6ver ett paraply i morgon.<\/p>\n

GCM:er \u00e4r fysikbaserade simulatorer som anv\u00e4nder matematiska ekvationer baserade p\u00e5 fysikens lagar f\u00f6r att simulera hur luft, vatten och energi r\u00f6r sig runt planeten.<\/p>\n

Typiska GCM:er delar in jordens yta i ett rutn\u00e4t av celler p\u00e5 upp till 100 kilometer, som ett gigantiskt schackbr\u00e4de. Algoritmen bearbetar varje ruta stegvis f\u00f6r att f\u00f6ruts\u00e4ga hur de atmosf\u00e4riska f\u00f6rh\u00e5llandena sannolikt kommer att f\u00f6r\u00e4ndras.<\/p>\n

Ekvationerna bakom GCM \u00e4r oerh\u00f6rt komplexa och syssels\u00e4tter n\u00e5gra av v\u00e4rldens st\u00f6rsta superdatorer.<\/p>\n

Modeller f\u00f6r maskininl\u00e4rning (ML) f\u00f6r v\u00e4derprognoser har visat sig ha en betydande potential, men de \u00e4r fr\u00e4mst datadrivna.<\/p>\n

En ML-v\u00e4derprognosmodell har en bra uppfattning om historiska v\u00e4derdata men saknar den inneboende f\u00f6rst\u00e5elsen f\u00f6r de fysiska lagar som styr atmosf\u00e4ren och som modelleras i en GCM.<\/p>\n

ML-modeller \u00e4r snabba och kan ge korrekta kortsiktiga prognoser, men de har ofta problem med l\u00e5ngsiktig stabilitet och s\u00e4llsynta extrema v\u00e4derh\u00e4ndelser eller framtida klimatscenarier.<\/p>\n

NeuralGCM, som utvecklats av ett team p\u00e5 Google Research, kombinerar precisionen och de l\u00e5ngsiktiga prognosm\u00f6jligheterna hos traditionella GCM:er med den f\u00f6rb\u00e4ttrade uppl\u00f6sningen, effektiviteten och hastigheten hos ML-modeller.<\/p>\n

\n

NeuralGCM \u00e4r fritt tillg\u00e4ngligt och vi ser fram emot att se hur forskare bygger vidare p\u00e5 det.<\/p>\n

Mer information finns i mitt blogginl\u00e4gg som beskriver arbetet och i v\u00e5r \u00f6ppna k\u00e4llkod:https:\/\/t.co\/AfqLagoYDs<\/a>https:\/\/t.co\/MSlFg6pgfj<\/a><\/p>\n

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