DeepMind می گوید سیستم هوش مصنوعی جدیدش دقیق ترین پیش بینی آب و هوای ۱۰ روزه جهان است

به گفته آزمایشگاه مستقر در لندن، یک مدل هوش مصنوعی جدید از Google DeepMind دقیق ترین سیستم پیش بینی آب و هوای جهانی ۱۰ روزه در جهان است.

این مدل که GraphCast نام دارد، پیش‌بینی‌های آب‌وهوای متوسط ​​را با «دقت بی‌سابقه» وعده می‌دهد. در یک مطالعه امروز منتشر شدنشان داده شد که GraphCast دقیق تر و سریعتر از استاندارد طلایی صنعت برای شبیه سازی آب و هوا، پیش بینی با وضوح بالا (HRES) است.

این سیستم همچنین آب و هوای شدید را در آینده بیشتر از آنچه قبلا ممکن بود پیش بینی کرد.

این بینش ها توسط مرکز اروپایی پیش بینی های هوای متوسط ​​(ECMWF)، یک سازمان بین دولتی که HRES را تولید می کند، تجزیه و تحلیل شد.

آ نسخه زنده GraphCast در وب سایت ECMWF مستقر شد. در ماه سپتامبر، سیستم به طور دقیق حدود ۹ روز قبل پیش بینی کرد که طوفان لی به نوا اسکوشیا خواهد رسید.

متقابلا، روش‌های سنتی پیش‌بینی فقط شش روز قبل نوا اسکوشیا را مورد توجه قرار داد. آن‌ها همچنین پیش‌بینی‌های کمتر منسجمی از زمان و مکان ریزش زمین ارائه کردند.

جالب اینجاست که GraphCast می تواند رویدادهای آب و هوایی خطرناک را بدون آموزش یافتن آنها شناسایی کند. پس از ادغام یک ردیاب سیکلون ساده، این مدل حرکات سیکلون را با دقت بیشتری نسبت به روش HRES پیش‌بینی کرد.

چنین داده هایی می تواند زندگی و معیشت را نجات دهد. همانطور که آب و هوا شدیدتر و غیرقابل پیش بینی تر می شود، پیش بینی های سریع و دقیق بینش های حیاتی فزاینده ای را برای برنامه ریزی بلایا ارائه می دهد.

متیو چانتری، الف فراگیری ماشین هماهنگ کننده در ECMWF، معتقد است صنعت او به نقطه عطف رسیده است.

چانتری در یک کنفرانس مطبوعاتی گفت: “احتمالاً کارهای بیشتری برای ایجاد محصولات عملیاتی قابل اعتماد وجود دارد، اما این احتمالاً آغاز یک انقلاب است.”

وی افزود، سازمان های هواشناسی قبلاً انتظار داشتند هوش مصنوعی زمانی که با فیزیک ادغام می شود بسیار مفید است. اما پیشرفت‌های اخیر نشان می‌دهد که یادگیری ماشینی می‌تواند به طور مستقیم آب و هوا را نیز پیش‌بینی کند.

GraphCast چگونه کار می کند

پیش بینی های معمول آب و هوا بر اساس معادلات پیچیده فیزیک است. سپس اینها با الگوریتم‌هایی سازگار می‌شوند که روی ابررایانه‌ها اجرا می‌شوند.

این روند می تواند دردناک باشد. همچنین به دانش تخصصی و منابع محاسباتی گسترده نیاز دارد.

GraphCast از تکنیک متفاوتی استفاده می کند. این مدل یادگیری ماشینی را با شبکه‌های عصبی گراف (GNN) ترکیب می‌کند، معماری که در پردازش داده‌های ساختاری مکانی ماهر است.

برای یادگیری علل و اثراتی که تغییرات آب و هوا را تعیین می کند، سیستم بر روی د آموزش داده شدچند دهه اطلاعات آب و هوا

رویکردهای سنتی نیز گنجانده شده است. ECMWF GraphCast را با داده های آموزشی از حدود ۴۰ سال تجزیه و تحلیل مجدد آب و هوا، که شامل نظارت از ماهواره ها، رادارها و ایستگاه های هواشناسی بود، ارائه کرد.

هنگامی که شکاف هایی در مشاهدات وجود دارد، روش های پیش بینی مبتنی بر فیزیک آنها را پر می کنند. نتیجه، تاریخچه دقیق آب و هوای جهانی است. GraphCast از این درس های گذشته برای پیش بینی آینده استفاده می کند.

GraphCast پیش بینی می کند در وضوح فضایی ۰٫۲۵ درجه طول و عرض جغرافیایی.

برای درک این موضوع، زمین را به یک میلیون نقطه شبکه تقسیم شده تصور کنید. در هر نقطه، مدل پنج متغیر سطح زمین و شش متغیر جوی را پیش‌بینی می‌کند. آنها با هم، کل جو سیاره را به صورت سه بعدی در ۳۷ سطح پوشش می دهند.

متغیرها شامل دما، باد، رطوبت، بارندگی و فشار سطح دریا هستند. آنها همچنین ژئوپتانسیل – انرژی پتانسیل گرانشی یک واحد جرم، در یک مکان خاص، نسبت به سطح متوسط ​​دریا را در خود جای می دهند.

در آزمایشات، نتایج چشمگیر بود. GraphCast به طور قابل توجهی از دقیق ترین سیستم های قطعی عملیاتی در ۹۰٪ از ۱۳۸۰ هدف آزمایشی بهتر عمل کرد.

این نابرابری در تروپوسفر – پایین‌ترین لایه جو زمین و محل اکثر پدیده‌های آب و هوایی – آشکارتر بود. در این منطقه، GraphCast در ۹۹٫۷٪ از متغیرهای تست برای آب و هوای آینده عملکرد بهتری از HRES داشت.

GraphCast نیز بسیار کارآمد است. یک پیش‌بینی ۱۰ روزه در یک دستگاه Google TPU v4 کمتر از یک دقیقه طول می‌کشد.

در مقایسه، یک رویکرد مرسوم می‌تواند ساعت‌ها در یک ابر رایانه با صدها ماشین محاسبه شود.

آینده هوش مصنوعی در پیش بینی آب و هوا

علیرغم نتایج امیدوارکننده اولیه، GraphCast همچنان می تواند از اصلاحات بیشتر بهره مند شود. به عنوان مثال، در پیش‌بینی‌های طوفان، این مدل در ردیابی حرکات دقیق بود، اما در اندازه‌گیری شدت کمتر مؤثر بود.

جنتری مشتاق است ببیند که این تا چه حد می تواند بهبود یابد.

“در حال حاضر، این حوزه ای است که مدل های GraphCast و یادگیری ماشین هنوز کمی از مدل های فیزیکی عقب هستند… من امیدوار هستم که این حوزه بتواند زمینه ای برای بهبود بیشتر باشد، اما این نشان می دهد که هنوز یک فناوری نوپا است.” او گفت .

این پیشرفت‌ها اکنون می‌توانند از هر جایی حاصل شوند، زیرا DeepMind چنین کرده است کد مدل را منبع باز کرد. سازمان های جهانی و افراد به طور یکسان اکنون می توانند با GraphCast آزمایش کنند و پیشرفت های خود را اضافه کنند.

برنامه های بالقوه، از قضا، غیرقابل پیش بینی هستند. برای مثال، پیش‌بینی‌ها می‌توانند از تولید انرژی تجدیدپذیر و مسیریابی ترافیک هوایی خبر دهند. اما می‌توان آن‌ها را برای کارهایی که حتی تصور نمی‌شد نیز به کار برد.

پیتر باتگلیا، مدیر تحقیقات Google DeepMind می گوید: «موارد استفاده پایین دستی زیادی برای پیش بینی آب و هوا وجود دارد. “و ما از همه آنها آگاه نیستیم.”