Το πιο ακριβές σύστημα πρόγνωσης του παγκόσμιου καιρού στον κόσμο αποτελεί το νέο μοντέλο τεχνητής νοημοσύνης της Google DeepMind · Το GraphCast, όπως ονομάζεται το σύστημα, υπόσχεται μεσοπρόθεσμες μετεωρολογικές προβλέψεις πρωτοφανούς ακρίβειας.
Ένα νέο μοντέλο AI (τεχνητή νοημοσύνη) από το Google DeepMind είναι το πιο ακριβές σύστημα πρόγνωσης καιρού 10 ημερών στον κόσμο, σύμφωνα με το εργαστήριο που εδρεύει στο Λονδίνο.
Το «GraphCast» υπόσχεται μεσοπρόθεσμες προγνώσεις καιρού «πρωτοφανούς ακρίβειας». Σε μια μελέτη που δημοσιεύθηκε στο περιοδικό «Science», το GraphCast αποδείχθηκε ότι είναι ακριβέστερο και ταχύτερο από το πρότυπο της βιομηχανίας για την προσομοίωση του καιρού, το High-Resolution Forecast (HRES).
Το σύστημα προέβλεψε επίσης ακραία καιρικά φαινόμενα μακρύτερα στο μέλλον από ό,τι ήταν δυνατό στο παρελθόν. Οι γνώσεις αυτές αναλύθηκαν από το Ευρωπαϊκό Κέντρο Μεσοπρόθεσμων Προβλέψεων Καιρού (ECMWF), έναν διακυβερνητικό οργανισμό που παράγει το HRES.
Μια έκδοση του GraphCast λειτουργεί στον ιστότοπο του ECMWF. Τον Σεπτέμβριο, το σύστημα προέβλεψε περίπου εννέα ημέρες νωρίτερα και με ακρίβεια ότι ο τυφώνας Lee θα «χτυπούσε» τη Νέα Σκωτία. Αντίθετα, οι παραδοσιακές μέθοδοι πρόγνωσης καιρού προέβλεψαν το ίδιο τρεις ημέρες αργότερα. Επίσης, παρείχαν λιγότερο συνεπείς προβλέψεις για τον χρόνο και τη θέση που θα χτυπούσε ο τυφώνας .
Κατά περίεργο τρόπο, το GraphCast μπορεί να εντοπίσει επικίνδυνα καιρικά φαινόμενα χωρίς να έχει εκπαιδευτεί να τα εντοπίζει. Μετά την ενσωμάτωση ενός απλού ανιχνευτή κυκλώνων, το μοντέλο προέβλεψε τις κινήσεις των κυκλώνων με μεγαλύτερη ακρίβεια από τη μέθοδο HRES.
Τέτοια δεδομένα θα μπορούσαν να σώσουν ζωές και περιουσίες. Καθώς το κλίμα γίνεται όλο και πιο ακραίο και απρόβλεπτο, οι γρήγορες και ακριβείς προβλέψεις θα παρέχουν όλο και πιο ζωτικής σημασίας πληροφορίες για τον σχεδιασμό καταστροφών.
Ο συντονιστής μηχανικής μάθησης στο ECMWF, Matthew Chantry, πιστεύει ότι ο κλάδος του έχει φτάσει σε ένα σημείο καμπής. «Πιθανόν να πρέπει να γίνει περισσότερη δουλειά για τη δημιουργία αξιόπιστων επιχειρησιακών προϊόντων, αλλά αυτό είναι πιθανότατα η αρχή μιας επανάστασης», δήλωσε ο Chantry. «Οι μετεωρολογικοί οργανισμοί ανέμεναν προηγουμένως ότι η τεχνητή νοημοσύνη θα ήταν πιο χρήσιμη όταν συγχωνευόταν με τη φυσική. Αλλά οι πρόσφατες ανακαλύψεις δείχνουν ότι η μηχανική μάθηση μπορεί επίσης να προβλέψει άμεσα τον καιρό» πρόσθεσε.
Πώς λειτουργεί το GraphCast
Οι συμβατικές προβλέψεις καιρού βασίζονται σε περίπλοκες εξισώσεις φυσικής. Αυτές προσαρμόζονται στη συνέχεια σε αλγορίθμους που εκτελούνται σε υπερυπολογιστές. Η διαδικασία μπορεί να είναι επίπονη. Απαιτεί επίσης εξειδικευμένες γνώσεις και τεράστιους υπολογιστικούς πόρους.
Το GraphCast αξιοποιεί μια διαφορετική τεχνική. Το μοντέλο συνδυάζει τη μηχανική μάθηση με νευρωνικά δίκτυα γραφημάτων ( Graph Neural Networks – GNN), μια αρχιτεκτονική που είναι ικανή στην επεξεργασία χωρικά δομημένων δεδομένων. Για να μάθει τις αιτίες και τα αποτελέσματα που καθορίζουν τις αλλαγές του καιρού, το σύστημα εκπαιδεύτηκε σε πληροφορίες καιρού δεκαετιών.
Ενσωματώνονται επίσης παραδοσιακές προσεγγίσεις. Το ECMWF προμήθευσε το GraphCast με δεδομένα εκπαίδευσης από αναλύσεις καιρού περίπου 40 ετών, τα οποία περιλάμβαναν παρακολούθηση από δορυφόρους, ραντάρ και μετεωρολογικούς σταθμούς. Όταν υπάρχουν κενά στις παρατηρήσεις, οι μέθοδοι πρόβλεψης που βασίζονται στη φυσική τα συμπληρώνουν.
Το αποτέλεσμα είναι ένα λεπτομερές ιστορικό του παγκόσμιου καιρού. Το GraphCast χρησιμοποιεί αυτά τα διδάγματα από το παρελθόν για να προβλέψει το μέλλον.
Καλύτερο από οποιοδήποτε άλλο μοντέλο πρόγνωσης καιρού το GraphCast
Το GraphCast κάνει προβλέψεις σε χωρική ανάλυση 0,25 μοιρών γεωγραφικού πλάτους/μήκους. Πιο απλά, φανταστείτε τη Γη χωρισμένη σε ένα εκατομμύριο σημεία πλέγματος. Σε κάθε σημείο, το μοντέλο προβλέπει πέντε μεταβλητές της γήινης επιφάνειας και έξι ατμοσφαιρικές μεταβλητές. Μαζί, καλύπτουν ολόκληρη την ατμόσφαιρα του πλανήτη σε τρισδιάστατη μορφή σε 37 επίπεδα.
Οι μεταβλητές περιλαμβάνουν τη θερμοκρασία, τον άνεμο, την υγρασία, τη βροχόπτωση και την πίεση στο επίπεδο της θάλασσας. Ενσωματώνουν επίσης το γεωδυναμικό- τη βαρυτική δυναμική ενέργεια μιας μονάδας μάζας, σε μια συγκεκριμένη θέση, σε σχέση με τη μέση στάθμη της θάλασσας.
Στις δοκιμές, τα αποτελέσματα ήταν εντυπωσιακά. Το GraphCast ξεπέρασε σημαντικά τα πιο ακριβή επιχειρησιακά ντετερμινιστικά συστήματα στο 90% των 1.380 στόχων δοκιμής.
Η διαφορά ήταν ακόμη πιο έντονη στην τροπόσφαιρα – το χαμηλότερο στρώμα της γήινης ατμόσφαιρας και τη θέση των περισσότερων καιρικών φαινομένων. Σε αυτή την περιοχή, το GraphCast ξεπέρασε το HRES στο 99,7% των μεταβλητών δοκιμής για τον μελλοντικό καιρό.
Το GraphCast είναι επίσης εξαιρετικά αποδοτικό. Μια πρόβλεψη 10 ημερών χρειάζεται λιγότερο από ένα λεπτό για να ολοκληρωθεί σε ένα μόνο μηχάνημα Google TPU v4. Μια συμβατική προσέγγιση, συγκριτικά, μπορεί να απαιτήσει ώρες υπολογισμού σε έναν υπερυπολογιστή με εκατοντάδες μηχανές.
GraphCast: Το μέλλον της AI στην πρόγνωση του καιρού
Παρά τα πολλά υποσχόμενα πρώτα αποτελέσματα, το GraphCast θα μπορούσε να επωφεληθεί από περαιτέρω βελτίωση. Στις προβλέψεις κυκλώνων, για παράδειγμα, το μοντέλο αποδείχθηκε ακριβές στην παρακολούθηση των κινήσεων, αλλά λιγότερο αποτελεσματικό στη μέτρηση της έντασης.
Ο Gentry επιθυμεί να δει πόσο μπορεί να βελτιωθεί το GraphCast. «Προς το παρόν, αυτός είναι ένας τομέας όπου το GraphCast και τα μοντέλα μηχανικής μάθησης εξακολουθούν να υστερούν λίγο σε σχέση με τα φυσικά μοντέλα. Είμαι αισιόδοξος ότι αυτός μπορεί να είναι ένας τομέας για περαιτέρω βελτίωση, αλλά αυτό δείχνει ότι πρόκειται ακόμη για μια τεχνολογία που βρίσκεται σε αρχικό στάδιο», δήλωσε.
Αυτές οι βελτιώσεις θα μπορούσαν τώρα να προέλθουν από οπουδήποτε στον κόσμο, καθώς η DeepMind έχει διαθέσει ανοιχτά τον κώδικα του μοντέλου. Παγκόσμιοι οργανισμοί και ιδιώτες μπορούν τώρα να πειραματιστούν με το GraphCast και να προσθέσουν τις δικές τους βελτιώσεις.
Οι πιθανές εφαρμογές του GraphCast είναι απρόβλεπτες. Οι προβλέψεις θα μπορούσαν, για παράδειγμα, να ενημερώσουν την παραγωγή ανανεώσιμων πηγών ενέργειας και τη δρομολόγηση της εναέριας κυκλοφορίας. «Υπάρχουν πολλές μεταγενέστερες περιπτώσεις χρήσης για τις μετεωρολογικές προβλέψεις. Και δεν έχουμε επίγνωση όλων αυτών», δήλωσε ο διευθυντής έρευνας της Google DeepMind, Peter Battaglia.