Ερευνητές από την Google κατασκεύασαν ένα νέο μοντέλο πρόβλεψης καιρού που συνδυάζει τη μηχανική εκμάθηση με πιο συμβατικές τεχνικές, αποδίδοντας ακριβείς προβλέψεις. Το μοντέλο, που ονομάζεται NeuralGCM και περιγράφεται σε ένα άρθρο στο Nature σήμερα, γεφυρώνει ένα χάσμα που έχει μεγαλώσει μεταξύ των ειδικών πρόβλεψης καιρού τα τελευταία χρόνια.
Ενώ οι νέες τεχνικές μηχανικής μάθησης που προβλέπουν τον καιρό μαθαίνοντας από δεδομένα του παρελθόντος είναι εξαιρετικά γρήγορες και αποτελεσματικές, αντιμετωπίζουν προβλήματα στις μακροπρόθεσμες προβλέψεις. Τα μοντέλα γενικής κυκλοφορίας, από την άλλη πλευρά, που κυριαρχούν στην πρόβλεψη καιρού τα τελευταία 50 χρόνια, χρησιμοποιούν σύνθετες εξισώσεις για να μοντελοποιήσουν τις αλλαγές στην ατμόσφαιρα και να δίνουν ακριβείς προβλέψεις, αλλά είναι εξαιρετικά αργά και δαπανηρά στην εκτέλεση.
Έτσι οι ειδικοί διχάζονται για το ποιο εργαλείο θα είναι πιο αξιόπιστο στο μέλλον Εδώ έρχεται το νέο μοντέλο από την Google που επιχειρεί να συνδυάσει και τα δύο.
“Δεν είναι είδος φυσικής εναντίον τεχνητής νοημοσύνης. Είναι φυσική και τεχνητή νοημοσύνη μαζί”, λέει ο Stephan Hoyer, ερευνητής τεχνητής νοημοσύνης στο Google Research και συν-συγγραφέας της μελέτης.
Το σύστημα εξακολουθεί να χρησιμοποιεί ένα συμβατικό μοντέλο για να επεξεργαστεί μερικές από τις μεγάλες ατμοσφαιρικές αλλαγές που απαιτούνται για να γίνει μια πρόβλεψη. Στη συνέχεια, ενσωματώνει την τεχνητή νοημοσύνη, η οποία τείνει να τα πάει καλά εκεί που αυτά τα μεγαλύτερα μοντέλα αποτυγχάνουν — συνήθως για προβλέψεις σε κλίμακες μικρότερες από περίπου 25 χιλιόμετρα, όπως αυτές που αφορούν σχηματισμούς νεφών ή περιφερειακά μικροκλίματα (ομίχλη του San Francisco, για παράδειγμα).
“Εκεί προσθέτουμε τεχνητή νοημοσύνη πολύ επιλεκτικά για να διορθώσουμε τα σφάλματα που συσσωρεύονται σε μικρές κλίμακες”, αναφέρει ο Hoyer.
Το αποτέλεσμα, λένε οι ερευνητές, είναι ένα μοντέλο που μπορεί να παράγει ποιοτικές προβλέψεις γρηγορότερα και με λιγότερη υπολογιστική ισχύ. Λένε ότι το NeuralGCM είναι εξίσου ακριβές με τις προβλέψεις μίας έως 15 ημερών από το Ευρωπαϊκό Κέντρο Μεσοπρόθεσμων Προγνώσεων Καιρού (ECMWF από το European Centre for Medium-Range Weather Forecasts).
Όμως η πραγματική υπόσχεση μιας τέτοιας τεχνολογίας δεν είναι οι καλύτερες προβλέψεις καιρού για την περιοχή σας, αναφέρει ο Aaron Hill, επίκουρος καθηγητής στη Σχολή Μετεωρολογίας στο Πανεπιστήμιο της Oklahoma, ο οποίος δεν συμμετείχε σε αυτήν την έρευνα.
Αντίθετα, είναι σε κλιματικά γεγονότα μεγαλύτερης κλίμακας που είναι απαγορευτικά ακριβά να μοντελοποιηθούν με συμβατικές τεχνικές.
Οι δυνατότητες θα μπορούσαν να κυμαίνονται από την πρόβλεψη τροπικών κυκλώνων με ειδοποιήσεις και μοντελοποίηση πιο περίπλοκων κλιματικών αλλαγών που απέχουν χρόνια.
“Είναι πολύ υπολογιστικά εντατικό να προσομοιώνεις την υδρόγειο ξανά και ξανά ή για μεγάλες χρονικές περιόδους”, αναφέρει ο Hill. Αυτό σημαίνει ότι τα καλύτερα κλιματικά μοντέλα εμποδίζονται από το υψηλό κόστος της υπολογιστικής ισχύος, το οποίο αποτελεί πραγματικό εμπόδιο στην έρευνα”.
Οι ερευνητές ανέφεραν ότι το NeuralGCM θα είναι ανοιχτού κώδικα και θα μπορεί να τρέχει με λιγότερες από 5.500 γραμμές κώδικα, σε σύγκριση με τις σχεδόν 377.000 γραμμές που απαιτούνται για το μοντέλο από την Εθνική Υπηρεσία Ωκεανών και Ατμόσφαιρας (NOAA από το National Oceanic and Atmospheric Administration).
Kochkov, D., Yuval, J., Langmore, I. et al. Neural general circulation models for weather and climate. Nature (2024).
https://doi.org/10.1038/s41586-024-07744-y
