ИИ DeepMind научился точно предсказывать погоду на ресурсах обычного ПК

Предсказание погоды – сложная и энергоемкая задача. Распространенный метод численного прогноза погоды использует математическую модель, основанную на физических принципах. Данные, поступающие со спутников, буев и метеостанций, обрабатываются на суперкомпьютерах. В результате получается карта атмосферных явлений в динамике, но чем выше ее точность, тем больше нагрузка на вычислительные мощности, https://www.nature.com/articles/d41586-023-03552-y Nature.

Команда DeepMind, в числе прочих, занялась задачей снижения финансовых и энергетических затрат на прогнозирование погоды. Развитие машинного обучения облегчает задачу, поскольку модели ИИ работают в 1000-10 000 раз быстрее, чем современные численные методы прогноза погоды, оставляя больше времени на интерпретацию и распространение информации.

А модель GraphCast превосходит и численные методы, и современные модели ИИ по большинству задач прогнозирования глобальной погоды. Она прошла обучение на предсказаниях погоды с 1979 по 2017 годы, сделанных по физическим моделям. Это дало GraphCast возможность изучить связи между погодными переменными, например, давлением воздуха, ветром, температурой и влажностью.

Обученная модель использует текущее состояние погоды и данные за последние шесть часов для составление метеопрогноза на следующие шесть часов. Сделанные ранее предсказания тоже загружаются в машину, помогая ей в дальнейшем уточнять прогноз. GraphCast выдает прогноз о состоянии пяти погодных переменных вблизи поверхности Земли – температуры воздуха в пределах двух метров, например – и шести атмосферных переменных, таких как скорость ветра на определенной высоте.

Испытания показали, что GraphCast способен выполнить глобальный метеопрогноз на 10 дней вперед менее чем за минуту, и он будет точнее, чем прогноз системы HRES Европейского центра среднесрочных прогнозов погоды, использующей численный метод.

По прогнозу в тропосфере, изменения в которой более всего влияют на нас, GraphCost превосходит HRES по 99% параметров.

По всем слоям атмосферы – по 90% параметров. Кроме того, модель способна эффективно предсказывать опасные метеорологические явления. И при этом она потребляет примерно в 1000 раз меньше электроэнергии, по сравнению с традиционными методами.

В 2021 году компания DeepMind в партнерстве с Метеорологическим бюро и Национальной метеорологической службой Великобритании  https://hightech.plus/2021/10/01/novii-ii-ot-deepmind-nauchi... инструмент глубокого обучения DGMR. Решение точно определяет вероятность дождя в ближайшие 90 минут. Это — одна из самых сложных задач в метеорологии.