Google DeepMind udostępniło GenCast, zaawansowany model prognozowania pogody oparty na sztucznej inteligencji, który przewyższa tradycyjne systemy zarówno pod względem szybkości, jak i dokładności.
Przetestowano na Europejskie Centrum Prognoz Pogody Średnioterminowej (ECMWF) ENS, GenCast dostarczył doskonałe prognozy w 97,2% ocenianych scenariuszy, ustanawiając nowy standard w meteorologii.
Wykorzystując uczenie maszynowe do analizy danych historycznych z kilkudziesięciu lat, model zapewnia praktyczny wgląd w ekstremalne warunki pogodowe, planowanie energii odnawialnej i przygotowanie na wypadek katastrof.
„Pogoda w zasadzie wpływa na każdy aspekt naszego życia… to także jedno z największych wyzwań naukowych, jakim jest przewidywanie pogody” – mówi Ilan Price, starszy pracownik naukowy w DeepMind. „Misją Google DeepMind jest rozwój sztucznej inteligencji z korzyścią dla ludzkości. Myślę, że jest to jeden ważny sposób, jeden ważny wkład na tym froncie.”
Bezprecedensowa moc prognoz pogody
W przeciwieństwie do tradycyjnych modeli opartych na fizyce, które symulują procesy atmosferyczne za pomocą równań, GenCast wykorzystuje uczenie maszynowe zidentyfikować wzorce w Globalne dane pogodowe z 40 lat z archiwum ERA5 ECMWF.
Innowacja modelu polega na wykorzystaniu nowego algorytmu dyfuzji, najnowocześniejsza technika generatywnej sztucznej inteligencji, która krok po kroku udoskonala zaszumione dane w celu uzyskania realistycznych prognoz.
Każda prognoza obejmuje 15 dni z rozdzielczością 0,25° szerokości i długości geograficznej i obejmuje ponad 80 zmiennych atmosferycznych i powierzchniowych, takie jak prędkość wiatru, temperatura i ciśnienie.
GenCast wykorzystuje prognozowanie zespołowe, tworząc 50 lub więcej możliwych scenariuszy pogody na dany okres. Takie podejście uwzględnia niepewność i pomaga decydentom lepiej przygotować się na szereg wyników.
Wydajność GenCast jest niezrównana. Kompletną 15-dniową prognozę zbiorczą można wygenerować w zaledwie osiem minut przy użyciu jednego modułu Google Cloud TPU v5. Z kolei tradycyjne systemy, takie jak ENS, opierają się na superkomputerach, a tworzenie prognoz o podobnym zakresie zajmuje wiele godzin.
Źródło: natura
Focus o ekstremalnych zdarzeniach pogodowych
Zdolność GenCast do przewidywania ekstremalnych warunków pogodowych okazała się cechą definiującą. Podczas ocen model znakomicie przewidywał trajektorię tajfunu Hagibis w 2019 r., siedem dni przed jego uderzeniem w Japonię.
W miarę zbliżania się burzy zespół GenCast znacznie zawęził przewidywaną ścieżkę, zapewniając służbom ratowniczym i decydentom z praktycznymi danymi.
Ta wizualizacja ilustruje skuteczność GenCast w prognozowaniu tajfunu Hagibis, pokazując analizę wilgotności specyficznej przy 700 hPa tuż przed wyjścia na ląd w Japonii (ERA5) i odpowiadające im prognozy GenCast. Prognozy jednodniowe (b-d) zachowują dużą dokładność, podczas gdy średnie zbiorcze (e) wykazują rozmycie z powodu niepewności. W przypadku prognoz zainicjowanych 15 dni wcześniej (h-m) GenCast pozostaje ostrzejszy niż jego zaburzona wersja (l), chociaż średnie zespolone (k) są bardziej rozmyte przy dłuższych czasach realizacji. Wykresy trajektorii (n-q) podkreślają zdolność GenCast do zawężania niepewności w miarę zbliżania się burzy, oferując przydatne spostrzeżenia przy zmniejszonym błędzie pozycjonowania w porównaniu z tradycyjnymi modelami. — Źródło: nature
Takie postępy oferują potencjał ratowania życia. Zapewniając dodatkowe 12 godzin ostrzeżenia o cyklonach w porównaniu z tradycyjnymi systemami, GenCast zapewnia krytyczny czas na wdrożenie ewakuacji i zabezpieczenie zasobów.
Oprócz cyklonów, GenCast wykazuje wysoką skuteczność w przewidywaniu ekstremalnych temperatur, mrozów i duże prędkości wiatru. Jego zdolność do dokładnego przewidywania takich zdarzeń pomaga łagodzić ryzyko w różnych sektorach, od bezpieczeństwa publicznego po infrastrukturę energetyczną.
Implikacje dla nauk o klimacie
Jedne z obiecujących rozwiązań GenCast zastosowań leży w energii odnawialnej. Udoskonalając prognozowanie energii wiatrowej, model pomaga operatorom sieci w skuteczniejszym równoważeniu podaży i popytu.
Dokładne prognozy umożliwiają lepszą integrację źródeł odnawialnych z sieciami energetycznymi, zmniejszając zależność od paliw kopalnych i wspierając globalne wysiłki na rzecz dekarbonizacji.
GenCast ma również potencjalne zastosowania w modelowaniu klimatu, gdzie jego dokładność predykcyjna może zapewnić wgląd w długoterminowe trendy i zmienność.
Ta funkcja jest kluczowa w stawianiu czoła wyzwaniom, takim jak planowanie rolne, gospodarka wodna zarządzanie zasobami i odporność infrastruktury miejskiej.
Współpraca i otwarty dostęp
Decyzja DeepMind o uczynieniu GenCast narzędziem o otwartym dostępie, zarówno z opublikowanymi kod i weights odzwierciedla jej zaangażowanie we wspólne innowacje. Kod, wagi i prognozy modelu są dostępne dla badaczy, meteorologów i organizacji zajmujących się reagowaniem na katastrofy, bezpieczeństwem żywnościowym i adaptacją do zmiany klimatu.
Ta otwartość ma na celu przyspieszenie przełomów naukowych i poszerzenie rzeczywistego świata modelu wpływ.
DeepMind podkreślił znaczenie łączenia sztucznej inteligencji z tradycyjnymi metodami meteorologicznymi w celu ulepszania prognoz i lepszego zaspokajania potrzeb społecznych.
GenCast uzupełnia inne inicjatywy Google dotyczące sztucznej inteligencji, w tym NeuralGCM, SEEDS i modele przewidywania powodzi. Narzędzia te wspólnie ulepszają usługi takie jak Mapy Google i wyszukiwarka, zapewniając użytkownikom aktualne i wiarygodne informacje podczas ekstremalnych zjawisk pogodowych.
Wyzwania i przyszłe kierunki
Pomimo swojej mocne strony, GenCast stoi przed obszarami wzrostu. Jego rozdzielczość 0,25°, choć dokładna, jest niższa od rozdzielczości 0,1° osiąganej przez najnowsze modele ENS. Skalowanie do wyższych rozdzielczości mogłoby odblokować jeszcze większą dokładność, zwłaszcza w przypadku prognozowania lokalnego.
Kolejne wyzwanie polega na integracji modeli sztucznej inteligencji, takich jak GenCast, z tradycyjnymi systemami meteorologicznymi. Modele oparte na fizyce dostarczają niezbędnych danych szkoleniowych i warunków inicjalizacji systemów AI, podkreślając znaczenie utrzymania obu podejść dla zrównoważonego i kompleksowego ekosystemu prognozowania.
W miarę jak ekstremalne zjawiska pogodowe stają się coraz częstsze i poważniejsze, narzędzia takie jak GenCast odegrają zasadniczą rolę w zwiększaniu gotowości i odporności w różnych branżach i społecznościach na całym świecie.
