Прогноз за минуту. ИИ научили предсказывать погоду эффективнее традиционных систем

GraphCast умеет генерировать прогноз на 10 дней примерно за минуту, используя архитектуру машинного обучения на основе исторических данных Европейского центра среднесрочных прогнозов погоды (ECMWF) о погоде за последние четыре десятилетия.

Этот метод машинного обучения Google отличается от традиционных численных методов прогнозирования погоды, которые полагаются на суперкомпьютеры. Они являются энергозатратным и требуют значительно больше времени для анализа информации.

На тестировании GraphCast продемонстрировала лучшую, по сравнению с ведущей в мире традиционной системой, которую использует ECMWF, производительность. При анализе 1380 показателей (температура, давление, скорость и направление ветра, влажность на разных уровнях атмосферы и т. д.) GraphCast обошла систему ECMWF в 90% случаев, говорится в исследовании, опубликованном в журнале Science.

В то же время у модели есть немало недостатков. Среди них — масштабы прогнозирования. Из-за технологических ограничений глобальные модели ИИ пока не могут создавать детальные долгосрочные прогнозы, как это могут делать традиционные системы, пишет The Washington Post. Кроме этого, GraphCast не превзошел обычные модели по таким сценариям, как прогнозирование ураганов.

Авторы исследования не предлагают использовать GraphCast как замену традиционных методов прогнозирования погоды, но верят в раскрытие ее потенциала в физических науках.

«Наш подход не следует рассматривать как замену традиционным методам прогнозирования погоды, которые разрабатывались десятилетиями, тщательно проверялись во многих контекстах реального мира и предлагают много функций, которые мы еще не изучили. Нашу работу скорее следует интерпретировать как доказательство того, что прогноз погоды на основе машинного обучения способен решать реальные проблемы прогнозирования и имеет потенциал для дополнения и улучшения лучших методов из имеющихся. Кроме прогнозирования погоды, GraphCast может открыть новые направления для других важных геопространственно-временных проблем прогнозирования, включая климат и экологию, энергетику, сельское хозяйство, человеческую и биологическую деятельность, а также другие сложные динамические системы», — пишут авторы исследования.