Forradalmi Időjárás-előrejelző rendszer érkezik a Google-tól. A NeuralGCM néven emlegetett megoldás fél évszázados meteorológiai gyakorlatokat nyugdíjazhat, fizikai jelenségek modellezésével és mesterséges intelligenciával.
A Google kutatói fontos mérföldkövet értek el az időjárás előrejelzésében egy új, gépi tanuláson alapuló megközelítéssel. A Föld atmoszféráját szimuláló rendszert az Európai Középtávú Időjárás Előrejelző Központtal (ECMWF) közösen fejlesztették, úgy, hogy kombinálja a hagyományos fizikán alapuló modellezést a gépi tanulással. A szimuláció hatékonyságának javítása után a NeuralGCM 2–15 napos időjárás-előrejelzéseket generálhat, pontosabban, mint a ma ismert legjobb modellek bármelyike – állítja a keresőóriás.
„Bár még nem építettük be a NeuralGCM-et egy teljes klímamodellbe, jelentős lépést jelent a hatékonyabb és hozzáférhetőbb klímamodellek fejlesztése felé” – magyarázza a Google.
Míg az új gépi tanulási technikák, amelyek az elmúlt évek adataiból tanulva jósolják meg az időjárást, rendkívül gyorsak és hatékonyak, a Google szerint nehézségekbe ütköznek, amikor hosszú távú előrejelzésekről van szó. A vállalat közleménye emlékeztet: bár az elmúlt 50 évben alkalmazott általános cirkulációs modellek (GCM-ek) okkal dominálták az időjárás-előrejelzést (hiszen remekül működő összetett egyenleteket használnak az atmoszféra változásainak modellezésére és pontos előrejelzések készítésére), a működtetésük rendkívül lassú és drága.
A szakértők egyelőre megosztottak abban a kérdésben, hogy melyik eszköz lesz a jövő legmegbízhatóbb időjárás-előrejelző rendszere, a Google új megközelítése megpróbálja kombinálni a két legjobb megoldást. „Ez nem arról szól, hogy fizika vagy AI, hanem hogy fizika és AI együtt” – jegyezte meg Stephan Hoyer, a Google Research AI kutatója.
Az új megközelítés hagyományos modellt használ az előrejelzéshez szükséges nagy atmoszférikus változások kiszámításához, ezután beépíti a folyamatba az AI-t, ami általában ott teljesít jól, ahol a nagyobb modellek gyengébben: tipikusan a 25 kilométernél kisebb léptékű előrejelzések esetében, mint amilyenek a felhőformációk vagy a regionális mikroklímák. „Itt szelektíven injektáljuk az AI-t, hogy kijavítsuk a kis léptékű hibákat” – osztotta meg Hoyer.
A Google szerint, bár a hagyományos klímamodellek az évtizedek során sokat javultak, gyakran generálnak hibákat és torzításokat a Föld klímájának hiányos megértése és a modellek felépítése okán. A hagyományos modellek a bolygó felszínétől az atmoszféráig terjedő légteret 50–100 km-es oldalhosszúságú kockákra osztják és külön-külön megjósolják, hogy adott időintervallumban mi történik az időjárással az egyes kockákon belül.
Az előrejelzések elkészítéséhez a meteorológusok kiszámítják, hogyan mozog a levegő és a nedvesség, de sok fontos klímafolyamat – beleértve a felhőket és a csapadékot – sokkal kisebb léptékben változik (milliméterektől kilométerekig), mint a jelenlegi modellek kockaméretei, így nem számíthatók a jól ismert fizikai törvények alapján.
A hagyományos modellekhez hasonlóan a NeuralGCM is kockákra osztja a Föld atmoszféráját: számításokat végez nagy léptékű folyamatokról, például a levegő és a nedvesség mozgásának fizikájáról, de ahelyett, hogy a tudósok által kidolgozott paraméterezésekre támaszkodna a kis léptékű jelenségek (pl. felhőformációk) szimulálására, egy olyan neurális hálózatot használ, ami megtanulja az események fizikáját a meglévő időjárási adatokból. Márpedig ezok bőségesen rendelkezésre állnak.
A Google szerint a NeuralGCM modellek sorozatát az ECMWF meglehetősen gazdag, 1979-től 2019-ig terjedő időjárási adatbázisa segítségével képezték le.
„A NeuralGCM új megközelítést jelent az éghajlati modellek építéséhez, amelyek gyorsabbak, kevésbé számításigényesek és pontosabbak lehetnek a jelenlegi modelleknél – fogalmaz a Google. Reméljük, hogy végül a Föld éghajlati rendszerének más aspektusait, például az óceánokat és a szén-dioxid-ciklust is be tudjuk építeni a modellbe. Ezzel lehetővé tennénk a NeuralGCM számára, hogy hosszabb időskálán tegyen előrejelzéseket, túlmutatva az időjárás napok-hetek alatti előrejelzésén, és éghajlati időskálán történő előrejelzéseket készítene.”
Főoldali fotó: AI-generált kép, forrás: Freepik
A HIPA támogatásával megvalósuló 1,9 millió eurós beruházás révén az amerikai NI egyebek mellett új generációs tesztelési megoldásokat fejleszt.
Pályakezdők és évtizedes tapasztalattal rendelkezők is csatlakozhatnak a Paks II. szakembergárdájához. Az aktuális lehetőségeket a tavaszi állásbörzéken is meg lehet ismerni.