Modelul combină IA și fizica pentru a face previziuni globale

În prezent, cel mai bun model de prognoză meteo din lume este un model de circulație generală, sau GCM, elaborat de Centrul European pentru Prognozele Meteo pe Interval Mediu. Un GCM se bazează parțial pe un cod care calculează fizica diferitelor procese atmosferice pe care le înțelegem bine. Pentru o mulțime de restul, GCM-urile se bazează pe ceea ce se numește „parametrizare”, care încearcă să folosească relații determinate empiric pentru a aproxima ceea ce se întâmplă cu procesele în care nu înțelegem pe deplin fizica.

În ultimul timp, GCM-urile s-au confruntat cu o anumită concurență din partea tehnicilor de învățare automată, care antrenează sistemele AI să recunoască tipare în datele meteorologice și să le folosească pentru a prezice condițiile care vor rezulta în următoarele zile. Cu toate acestea, prognozele lor tind să devină puțin vagi după mai mult de câteva zile și nu pot face față tipului de factori pe termen lung care trebuie luați în considerare atunci când GCM-urile sunt folosite pentru a studia schimbările climatice.

Luni, o echipă din grupul AI al Google și Centrul European pentru Prognozele Meteo pe Interval Mediu anunță NeuralGCM, un sistem care combină circulația atmosferică bazată pe fizică cu parametrizarea AI a altor influențe meteorologice. Neural GCM este eficient din punct de vedere computațional și funcționează foarte bine în reperele de prognoză meteo. În mod surprinzător, poate produce, de asemenea, rezultate cu aspect rezonabil pentru rulări care acoperă decenii, permițându-i potențial să abordeze unele întrebări relevante pentru climă. Deși nu poate gestiona multe din ceea ce folosim modelele climatice, există câteva rute evidente pentru potențiale îmbunătățiri.

Faceți cunoștință cu NeuralGCM

NeuralGCM este un sistem din două părți. Există ceea ce cercetătorii numesc un „nucleu dinamic”, care se ocupă de fizica convecției atmosferice la scară largă și ia în considerare fizica de bază precum gravitația și termodinamica. De orice altceva se ocupă porțiunea AI. „Este tot ceea ce nu este în ecuațiile dinamicii fluidelor”, a spus Stephan Hoyer de la Google. „Deci asta înseamnă nori, precipitații, radiații solare, trage pe suprafața Pământului, de asemenea, toți termenii reziduali din ecuații care se întâmplă sub scara rețelei de aproximativ 100 de kilometri sau cam asa ceva.” Este ceea ce ai putea numi o IA monolitică. În loc să antreneze module individuale care se ocupă de un singur proces, cum ar fi formarea norului, porțiunea AI este antrenată să se ocupe de toate odată.

În mod critic, întregul sistem este antrenat concomitent, mai degrabă decât antrenarea AI separat de nucleul fizicii. Inițial, evaluările de performanță și actualizările rețelei neuronale au fost efectuate la intervale de șase ore, deoarece sistemul nu este foarte stabil până când nu este antrenat cel puțin parțial. În timp, acestea sunt prelungite la cinci zile.

Rezultatul este un sistem care este competitiv, cu cele mai bune disponibile pentru prognoze care durează până la 10 zile, depășind adesea concurența în funcție de măsura precisă utilizată (pe lângă criteriile de referință pentru prognoza meteo, cercetătorii au analizat caracteristici precum ciclonii tropicali, râurile atmosferice și zona de convergenţă intertropicală). Pe prognozele mai lungi, avea tendința de a produce caracteristici care erau mai puțin neclare decât cele realizate de prognozatorii AI pur, chiar dacă funcționa la o rezoluție mai mică decât erau. Această rezoluție mai scăzută înseamnă pătrate de grilă mai mari – suprafața Pământului este împărțită în pătrate individuale în scopuri de calcul – decât majoritatea celorlalte modele, ceea ce reduce semnificativ cerințele sale de calcul.

În ciuda succesului său cu vremea, au existat câteva avertismente majore. Una este că NeuralGCM tinde să subestimeze evenimentele extreme care au loc la tropice. Al doilea este că de fapt nu modelează precipitațiile; în schimb, calculează echilibrul dintre evaporare și precipitații.

Dar vine și cu câteva avantaje specifice față de alte modele de prognoză pe termen scurt, esențiale dintre ele fiind că nu se limitează de fapt la rularea pe termen scurt. Cercetătorii l-au lăsat să funcționeze timp de până la doi ani și a reprodus cu succes un ciclu sezonier cu aspect rezonabil, inclusiv caracteristici la scară largă ale circulației atmosferice. Alte curse de lungă durată arată că poate produce numărări adecvate de cicloni tropicali, care continuă să urmeze traiectorii care reflectă modelele văzute în lumea reală.