SG.hu
Pontos időjárás előrejelzést ígér a Google DeepMind új mesterséges intelligencia modellje
A Google DeepMind azt állítja, hogy legújabb mesterséges intelligenciamodellje egy perc alatt képes tíznapos időjárás-előrejelzéseket készíteni, és ugyanolyan pontos, mint a szuperszámítógépeken futó hagyományos előrejelző modellek.
Kutatók a Science című tudományos folyóiratban megjelent tanulmányban mutatták be a GraphCastot , mely egy 36,7 millió paraméterből álló neurális hálózat. Ebbe betáplálták az Európai Középtávú Időjárás-előrejelző Központ (ECMWF) 1979 és 2017 között gyűjtött 39 év adatait, kiképezve a rendszert arra, hogy tíznapos időjárás-előrejelzéseket tudjon készíteni hatórás lépésekre bontva. Az ECMWF modelljei olyan numerikus időjárás-előrejelzési módszerekre támaszkodnak, amelyek a légkör és az óceánok mozgását áramlástani egyenletekkel modellező matematikai szimulációkat futtatnak. A GraphCast azonban a műholdképeken, radarokon és a meteorológiai állomások méréseiben megjelenő időjárási mintákat vizsgálja előrejelzéseihez.
A modell a légköri és óceáni adatokról szóló információkat tartalmazó globális térképeket rácsokra osztja. Arra képezték ki, hogy megtanulja a különböző időjárási változók közötti kapcsolatokat, amelyek konkrét eseményekhez vezetnek - például a trópusi ciklonok útvonalai, légköri áramlások és hőhullámok. A GraphCast olyan tényezőket jósol meg, mint a hőmérséklet, a szélsebesség és -irány, a páratartalom és a légnyomás 37 különböző magasságban, így segítve az időjárás előrejelzést.
"Egy átfogó teljesítményértékelés során a determinisztikus rendszerrel, az ECMWF nagyfelbontású előrejelző rendszerével szemben a GraphCast az 1380 tesztváltozó több mint 90 százalékánál pontosabb előrejelzéseket adott az előrejelzési átfutási időre vonatkozóan" - jelentette ki Remi Lam, a tanulmány vezető szerzője, a Google DeepMind munkatársa. "Amikor az értékelést a troposzférára, a légkörnek a Föld felszínéhez legközelebb eső, 6-20 kilométer magas régiójára korlátoztuk, ahol a pontos előrejelzés a legfontosabb, a modellünk a jövőbeli időjárásra vonatkozó tesztváltozók 99,7 százalékában felülmúlta a HRES-t" - tette hozzá.
A GraphCast képzése számításigényes volt: négy héten keresztül 32 Google Cloud TPU v4 chipből álló fürt dolgozott rajta, viszont a végleges betanított modell egyetlen Google négyprocesszoros TPU v4 gépen lefuttatható. (Egyetlen ilyen MI-chip 3200 dollárba kerül.) Egy tíznapos előrejelzés kevesebb mint egy perc alatt generálható, ami felülmúlja a szuperszámítógépeken futó numerikus időjárás-előrejelző modellek jellemzően több órás időtartamát.
Mint minden MI-modell, a GraphCast teljesítménye is az adatok minőségétől függ. "A GraphCast jelenleg a világ legpontosabb tíznapos globális időjárás-előrejelző rendszere, és a korábban lehetségesnél messzebbre jósol szélsőséges időjárási események terén. Ahogy az időjárási minták a változó klímában átalakulnak, a GraphCast is fejlődni és javulni fog, ahogy egyre jobb minőségű adatok válnak elérhetővé" - állítja Lam.
A GraphCast előrejelzései természetesen nem tökéletesek. Az általa generált adatok néha hiányosak, és a bizonytalan területeken térbeli zavarok lépnek fel. Ez azt jelenti, hogy előrejelzései nem feltétlenül hasznosak, amikor különböző időjárási események valószínűségét próbálják kiszámítani. Az ECMWF nagy felbontású előrejelző rendszeréhez hasonlóan a magasan a sztratoszférában lévő légköri adatok előrejelzésének elkészítésénél is nehézségekbe ütközik.
Tehát a mesterséges intelligencia helyettesítheti a régebbi, nehézkes numerikus időjárás-előrejelző modelleket? Sajnos nem igazán. A kutatók elismerték, hogy a GraphCast eleve hagyományos módszerekre támaszkodott a minőségi adatok megszerzésében, és hogy az ECMWF nagy felbontású előrejelző rendszere más típusú előrejelzéseket tud készíteni, amire az MI még nem képes. "A mi megközelítésünk nem tekinthető a hagyományos időjárás-előrejelzési módszerek helyettesítőjének, amelyeket évtizedek óta fejlesztenek, számos valós környezetben szigorúan teszteltek, és számos olyan funkciót kínálnak, amelyeket még nem fedeztünk fel" - állapították meg tanulmányukban. "Inkább úgy kell értelmezni a munkánkat, mint bizonyítékot arra, hogy a gépi tanuláson alapuló időjárás-előrejelzés képes megfelelni a valós előrejelzési problémák kihívásainak, és potenciálisan képes kiegészíteni és javítani a jelenlegi legjobb módszereket"."
Kutatók a Science című tudományos folyóiratban megjelent tanulmányban mutatták be a GraphCastot , mely egy 36,7 millió paraméterből álló neurális hálózat. Ebbe betáplálták az Európai Középtávú Időjárás-előrejelző Központ (ECMWF) 1979 és 2017 között gyűjtött 39 év adatait, kiképezve a rendszert arra, hogy tíznapos időjárás-előrejelzéseket tudjon készíteni hatórás lépésekre bontva. Az ECMWF modelljei olyan numerikus időjárás-előrejelzési módszerekre támaszkodnak, amelyek a légkör és az óceánok mozgását áramlástani egyenletekkel modellező matematikai szimulációkat futtatnak. A GraphCast azonban a műholdképeken, radarokon és a meteorológiai állomások méréseiben megjelenő időjárási mintákat vizsgálja előrejelzéseihez.
A modell a légköri és óceáni adatokról szóló információkat tartalmazó globális térképeket rácsokra osztja. Arra képezték ki, hogy megtanulja a különböző időjárási változók közötti kapcsolatokat, amelyek konkrét eseményekhez vezetnek - például a trópusi ciklonok útvonalai, légköri áramlások és hőhullámok. A GraphCast olyan tényezőket jósol meg, mint a hőmérséklet, a szélsebesség és -irány, a páratartalom és a légnyomás 37 különböző magasságban, így segítve az időjárás előrejelzést.
"Egy átfogó teljesítményértékelés során a determinisztikus rendszerrel, az ECMWF nagyfelbontású előrejelző rendszerével szemben a GraphCast az 1380 tesztváltozó több mint 90 százalékánál pontosabb előrejelzéseket adott az előrejelzési átfutási időre vonatkozóan" - jelentette ki Remi Lam, a tanulmány vezető szerzője, a Google DeepMind munkatársa. "Amikor az értékelést a troposzférára, a légkörnek a Föld felszínéhez legközelebb eső, 6-20 kilométer magas régiójára korlátoztuk, ahol a pontos előrejelzés a legfontosabb, a modellünk a jövőbeli időjárásra vonatkozó tesztváltozók 99,7 százalékában felülmúlta a HRES-t" - tette hozzá.
A GraphCast képzése számításigényes volt: négy héten keresztül 32 Google Cloud TPU v4 chipből álló fürt dolgozott rajta, viszont a végleges betanított modell egyetlen Google négyprocesszoros TPU v4 gépen lefuttatható. (Egyetlen ilyen MI-chip 3200 dollárba kerül.) Egy tíznapos előrejelzés kevesebb mint egy perc alatt generálható, ami felülmúlja a szuperszámítógépeken futó numerikus időjárás-előrejelző modellek jellemzően több órás időtartamát.
Mint minden MI-modell, a GraphCast teljesítménye is az adatok minőségétől függ. "A GraphCast jelenleg a világ legpontosabb tíznapos globális időjárás-előrejelző rendszere, és a korábban lehetségesnél messzebbre jósol szélsőséges időjárási események terén. Ahogy az időjárási minták a változó klímában átalakulnak, a GraphCast is fejlődni és javulni fog, ahogy egyre jobb minőségű adatok válnak elérhetővé" - állítja Lam.
A GraphCast előrejelzései természetesen nem tökéletesek. Az általa generált adatok néha hiányosak, és a bizonytalan területeken térbeli zavarok lépnek fel. Ez azt jelenti, hogy előrejelzései nem feltétlenül hasznosak, amikor különböző időjárási események valószínűségét próbálják kiszámítani. Az ECMWF nagy felbontású előrejelző rendszeréhez hasonlóan a magasan a sztratoszférában lévő légköri adatok előrejelzésének elkészítésénél is nehézségekbe ütközik.
Tehát a mesterséges intelligencia helyettesítheti a régebbi, nehézkes numerikus időjárás-előrejelző modelleket? Sajnos nem igazán. A kutatók elismerték, hogy a GraphCast eleve hagyományos módszerekre támaszkodott a minőségi adatok megszerzésében, és hogy az ECMWF nagy felbontású előrejelző rendszere más típusú előrejelzéseket tud készíteni, amire az MI még nem képes. "A mi megközelítésünk nem tekinthető a hagyományos időjárás-előrejelzési módszerek helyettesítőjének, amelyeket évtizedek óta fejlesztenek, számos valós környezetben szigorúan teszteltek, és számos olyan funkciót kínálnak, amelyeket még nem fedeztünk fel" - állapították meg tanulmányukban. "Inkább úgy kell értelmezni a munkánkat, mint bizonyítékot arra, hogy a gépi tanuláson alapuló időjárás-előrejelzés képes megfelelni a valós előrejelzési problémák kihívásainak, és potenciálisan képes kiegészíteni és javítani a jelenlegi legjobb módszereket"."