Dagens vejrudsigter er baseret på komplekse modeller, der inkorporerer de love, der styrer atmosfærens og oceanernes dynamik, og disse modeller kører på nogle af de mest kraftfulde supercomputere, der findes. Alphabet (Googles moderselskab) har dog formået at forudsige globale vejrforhold for de næste 10 dage på kun et minut ved hjælp af en enkelt maskine på størrelse med en personlig computer, takket være kunstig intelligens udviklet af DeepMind. Det Google AI forudsiger vejret og dette er kun lige begyndt.
I denne artikel vil vi fortælle dig, hvordan Google AI forudsiger vejret, og hvordan denne teknologi har udviklet sig.
Google AI forudsiger vejret
Overraskende nok overgår dette AI-system de fleste moderne vejrforudsigelsessystemer i næsten alle aspekter. Interessant nok ser det ud til, at kunstig intelligens denne gang tjener som et supplement til menneskelig intelligens i stedet for at erstatte den.
Det europæiske center for vejrudsigter på mellemdistanceområdet (ECMWF) har et utroligt avanceret system, der sidste år gennemgik en større opgradering, hvilket forbedrede dets forudsigelsesmuligheder. Hostet på dets faciliteter i Bologna, Italien, Der er en supercomputer udstyret med cirka en million processorer (i modsætning til de to eller fire, der findes i en personlig computer) og en ekstraordinær regnekraft på 30 petaflops, svarende til svimlende 30.000 billioner beregninger i sekundet.
Denne enorme beregningskapacitet er nødvendig for et af dets værktøjer, High Resolution Forecasting (HRES), som præcist forudsiger globale vejrmønstre på mellemlang sigt, som De strækker sig generelt over 10 dage med en imponerende rumlig opløsning på ni kilometer. Disse forudsigelser tjener som grundlag for vejrudsigter leveret af meteorologer over hele verden. For nylig er GraphCast, en kunstig intelligens udviklet af Google DeepMind, blevet brugt til at måle mulighederne i dette formidable system i vejrudsigelse.
AI-undersøgelsesresultater
Sammenligningsresultaterne, offentliggjort tirsdag i tidsskriftet Science, afslører, at GraphCast overgår HRES i at forudsige adskillige vejrfaktorer. Ifølge undersøgelsen Googles maskine overgår ECMWF'er i 90,3 % af de 1.380 undersøgte målinger.
Når man udelukkende fokuserer på troposfæren, det atmosfæriske lag, hvor de fleste vejrbegivenheder forekommer, og ekskluderer data fra stratosfæren, som er cirka 6 til 8 kilometer over jordens overflade, udkonkurrerer kunstig intelligens (A.I.) supercomputere, der er overvåget af mennesker i 99,7 % af sager. de analyserede variable. Overraskende nok blev denne præstation opnået ved hjælp af en maskine, der ligner en personlig computer kendt som en tensor-behandlingsenhed eller TPU.
Ifølge Álvaro Sánchez González, forsker ved Google DeepMind, er TPU'er specialiseret hardware, der tilbyder mere effektiv træning og udførelse af kunstig intelligens-software sammenlignet med en normal pc, samtidig med at de bevarer en tilsvarende størrelse. Ligesom en computers grafikkort fokuserer på at gengive billeder, er TPU'er designet til at udmærke sig i matrixprodukter. Til GraphCast-træning brugte vi 32 TPU'er i løbet af flere uger. Men når uddannelsen er afsluttet, en enkelt TPU kan generere forudsigelser på mindre end et minut, som forklaret af Sánchez González, en af skaberne af enheden.
GraphCast og forudsigelsessystemer
En bemærkelsesværdig forskel mellem GraphCast og eksisterende forudsigelsessystemer er dens evne til at inkorporere historiske data. Skaberne trænede systemet ved hjælp af meteorologiske data fra ECMWF-arkivet, der går tilbage til 1979. Dette omfattende datasæt dækker nedbøren i Santiago og cyklonerne, der har påvirket Acapulco over en periode på 40 år. Efter en betydelig mængde træning har GraphCast den bemærkelsesværdige evne til at generere nøjagtige vejrudsigter.
Det kræver kun viden om vejrforholdene seks timer før og umiddelbart før din vejrudsigt at præcist forudsige vejret yderligere seks timer fra nu. Forudsigelser er indbyrdes afhængige, og hver ny prognose informerer om den forrige. Ferran Alet, medskaber af denne imponerende DeepMind-maskine, forklarer dens indre funktion: «Vores neurale netværk forudser vejrforholdene seks timer i forvejen. For at forudsige vejret om 24 timer, evaluerer vi blot modellen fire gange. Alternativt kunne vi have trænet separate modeller til de forskellige tidsperioder, såsom en til seks timer og en til 24 timer. Imidlertid, "Vi forstår, at de underliggende principper, der styrer vejret, forbliver konsistente inden for en seks-timers periode.".
"Derfor, hvis vi kan finde den passende 6-timers model og bruge dens egne forudsigelser som input, kan vi nøjagtigt forudsige vejret for de næste 12 timer og gentage denne proces hver sjette time." Ifølge Alet giver denne tilgang en betydelig mængde data til en enkelt model, hvilket resulterer i mere effektiv træning.
Indtil nu har vejrudsigter været baseret på numerisk vejrudsigelse, som bruger videnskabelige ligninger udviklet gennem historien til at redegøre for de forskellige kompleksiteter af atmosfærisk dynamik. Forskernes resultater etablerer et sæt matematiske algoritmer, som supercomputere skal køre for at generere forudsigelser for de næste par timer, dage eller uger (selvom pålideligheden falder væsentligt ud over 15 dage). Men at udføre denne opgave kræver en meget avanceret supercomputer, som medfører betydelige omkostninger og omfattende ingeniørarbejde.
Google AI-model forudsiger vejret
Det, der er særligt bemærkelsesværdigt, er, at disse systemer de bruger ikke vejrforholdene fra den foregående dag eller endda det foregående år, på trods af at det sker på samme sted og på samme tid.
Tværtimod griber den opgaven an fra en anden vinkel, nærmest det modsatte. Gennem sine avancerede deep learning-funktioner bruger den omfattende arkiver af tidligere vejrdata til at opnå en omfattende forståelse af den indviklede årsag-og-virkning dynamik, der dikterer udviklingen af Jordens klima.
Ifølge José Luis Casado, talsmand for det spanske meteorologiske agentur (AEMET), tages der ikke højde for historiske data i den atmosfæriske model. Casado præciserer, at denne model er baseret på eksisterende observationer og den seneste forudsigelse lavet af modellen selv. Ved nøjagtigt at forstå atmosfærens nuværende tilstand er det muligt at forudsige dens fremtidige udvikling. I modsætning til maskinlæringsteknikker bruger denne tilgang ikke historiske data eller forudsigelser.
