Модел, който съчетава изкуствен интелект и физика, за да прави глобални прогнози

Понастоящем моделът на общата циркулация или GCM, разработен от Европейския център за средносрочни прогнози за времето, е най-добрият модел за прогнозиране на времето в света. Моделът на общата циркулация се основава отчасти на код, който изчислява физиката на различни атмосферни процеси, които разбираме добре. За много други моделите на общия цикъл разчитат на така наречените „параметри“, които се опитват да използват експериментално определени връзки, за да приближат какво се случва с процеси, чиято физика не разбираме напълно.

Напоследък глобалните климатични модели се сблъскаха с известна конкуренция от техники за машинно обучение, които обучават системи с изкуствен интелект да разпознават модели в метеорологичните данни и да ги използват за прогнозиране на условия, които могат да възникнат през следващите няколко дни. Въпреки това, техните прогнози са склонни да станат малко размити след повече от няколко дни и те не могат да се справят с дългосрочните фактори, които трябва да се вземат предвид при използване на глобални климатични модели за изследване на изменението на климата.

В понеделник екип от AI групата на Google и Европейския център за средносрочна прогноза за времето обявиха стартирането на NeuralGCM, система, която съчетава базирана на физика атмосферна циркулация с параметри на AI за други атмосферни влияния. Neural GCM е изчислително ефективен и се представя много добре в показателите за прогнозиране на времето. Изненадващо, той може също така да произвежда разумно изглеждаща продукция за серии, обхващащи десетилетия, което му позволява да отговори на някои въпроси, свързани с климата. Въпреки че не може да се справи с много от това, за което използваме климатичните модели, има някои очевидни пътища към потенциални подобрения.

Научете за NeuralGCM

NeuralGCM е система от две части. Има това, което изследователите наричат ​​„динамично ядро“, което се занимава с физиката на атмосферната конвекция в голям мащаб и взема предвид фундаментални физики като гравитация и термодинамика. Всичко останало се обработва от частта AI. „Това е всичко, което не е в уравненията на динамиката на флуидите. Това означава облаци, валежи, слънчева радиация, съпротивление по повърхността на Земята – както и всички останали членове в уравненията, които се срещат под скалата на решетката от около 100 километра или нещо такова“, каза Стефан Хойер от Google. Това е, което бихте могли да наречете монолитен AI. Вместо да се обучават отделни модули, които обработват един процес, като например формиране на облак, частта AI е обучена да обработва всичко наведнъж.

От решаващо значение е цялата система да се обучава едновременно, вместо да се обучава AI отделно от физическото ядро. Първоначално оценките на производителността и актуализациите на невронната мрежа се извършваха на интервали от шест часа, тъй като системата не е много стабилна, докато не бъде поне частично обучена. С течение на времето тези периоди се удължават до пет дни.

Резултатът е система, която е конкурентна на най-добрите налични за прогнози до 10 дни и често надминава конкуренцията в зависимост от използваното прецизно измерване (в допълнение към параметрите за прогнозиране на времето, изследователите са разгледали характеристики като тропически циклони, атмосферни реки и интертропичната зона на конвергенция). При по-дълги прогнози той имаше тенденция да произвежда по-малко замъглени характеристики от тези, предоставени от чистите AI предсказатели, въпреки че работеше с по-малка точност от тях. Тази по-ниска разделителна способност означава по-големи квадрати на решетката – повърхността на Земята е разделена на отделни квадрати за изчислителни цели – в сравнение с повечето други модели, което значително намалява изискванията за изчисление.

Въпреки че успешно се справи с времето, имаше големи предупреждения. Първият е, че моделът NeuralGCM има тенденция да подценява екстремните събития, които се случват в тропиците. Второто е, че всъщност не моделира валежите; По-скоро изчислява баланса между изпарението и валежите.

Но този модел идва и с някои специфични предимства пред някои други модели за краткосрочно прогнозиране, най-важното от които е, че всъщност не се ограничава до работа в краткосрочен план. Изследователите позволиха на модела да работи до две години и той успешно възпроизведе разумно изглеждащ сезонен цикъл, включително широкомащабни характеристики на атмосферната циркулация. Други дългосрочни модели показват, че е в състояние да произведе приличен брой тропически циклони, които продължават да следват пътища, които отразяват моделите, които виждаме в реалния свят.