Учёные Кембриджского университета представили Aardvark Weather — ИИ-систему для прогнозирования погоды, которая позволяет формировать как глобальные, так и локальные прогнозы за считанные минуты с использованием обычного настольного компьютера. В сравнении с традиционными подходами, Aardvark обеспечивает предсказания в десятки раз быстрее и при этом требует в тысячи раз меньше вычислительных ресурсов.

Источник изображения: Brian McGowan / Unsplash

Aardvark Weather была разработана в Кембриджском университете (University of Cambridge) при участии Института Алана Тьюринга (The Alan Turing Institute), Microsoft Research и Европейского центра среднесрочных прогнозов погоды (ECMWF). Скорость и эффективность метеорологических моделей имеют решающее значение: традиционные методы опираются на ресурсоёмкие суперкомпьютеры и труд множества специалистов, тогда как формирование прогноза зачастую занимает несколько часов. В этом контексте Aardvark демонстрирует принципиально новый подход, устраняя необходимость в громоздкой инфраструктуре.

Последние разработки таких технологических гигантов, как Huawei, Google и Microsoft, показали, что ИИ способен значительно улучшить отдельные компоненты метеорологического моделирования. Особенно важными стали достижения в области алгоритмов, моделирующих динамику атмосферы во времени. Интеграция ИИ в эти процессы уже привела к ускорению расчётов и повышению точности метеопрогнозов.

Яркий пример — компания Google, разрабатывающая модели на базе ИИ и предлагающая два таких решения корпоративным клиентам своей облачной платформы. Эти модели, созданные исследователями лаборатории Google DeepMind, используют исторические метеоданные и позволяют предсказывать погодные условия на срок от 10 до 15 дней вперёд.

В отличие от гибридных подходов, Aardvark полностью заменяет традиционную многоступенчатую схему прогнозирования единой моделью машинного обучения (ML). Используя стандартный настольный компьютер, система обрабатывает данные из различных источников, включая спутники и метеостанции, и формирует прогнозы в течение нескольких минут.

Профессор Ричард Тёрнер (Richard Turner) с инженерного факультета Кембриджского университета, возглавивший исследование, заявил: «Aardvark переосмысливает существующие методы прогнозирования погоды, позволяя получать прогнозы быстрее, дешевле, гибче и точнее, чем когда-либо прежде. Aardvark в тысячи раз быстрее всех прежних методов прогнозирования погоды». В перспективе Aardvark сможет формировать прогнозы на 8 дней вперёд с высокой степенью точности, что на 3 дня превышает горизонт современных систем.

Несмотря на то, что система использует лишь часть объёма данных, задействованных в традиционных моделях, Aardvark демонстрирует результаты, превосходящие показатели американской Национальной системы прогнозирования (GFS) по нескольким ключевым метрикам. При этом она остаётся сопоставимой по точности с прогнозами Национальной метеорологической службы США (NWS), где обычно применяется комбинация моделей и экспертный анализ.

Источник изображения: NASA

По словам Анны Аллен (Anna Allen), первого автора исследования из факультета компьютерных наук и технологий Кембриджского университета, реализованный в системе подход сквозного машинного обучения может быть легко адаптирован для решения других задач климатического моделирования — от прогнозирования ураганов, торнадо и лесных пожаров до оценки качества воздуха, динамики океанических течений и предсказания морского льда.

Одним из наиболее примечательных свойств Aardvark является её архитектурная простота и высокая гибкость. Благодаря тому что система обучается напрямую на метеоданных, она может быть быстро перенастроена для формирования индивидуализированных прогнозов, адаптированных под конкретные отрасли или регионы. Это может быть, например, прогноз температуры для сельского хозяйства в Африке или прогноз скорости ветра — для европейских компаний, работающих в сфере возобновляемой энергетики. Такой подход кардинально отличается от традиционных систем, настройка которых требует многолетней работы крупных команд специалистов.

Подобная адаптивность может стать решающим фактором для стран с ограниченным доступом к вычислительным ресурсам и метеоданным. Как подчёркивает доктор Скотт Хоскинг (Scott Hosking) из Института Алана Тьюринга, перенос метеопрогнозирования с суперкомпьютеров на настольные машины делает высокоточные прогнозы доступными в развивающихся странах и регионах с дефицитом данных.

Следующим этапом проекта станет формирование новой исследовательской группы на базе Института Алана Тьюринга. Её задачей станет изучение возможностей внедрения технологии в странах Глобального Юга, а также интеграция Aardvark в более масштабные инициативы по экологическому прогнозированию.

Google DeepMind разработала новую модель прогнозирования погоды с помощью искусственного интеллекта (ИИ) GenCast, которая превосходит традиционные метеорологические методы по прогнозированию погоды на срок до 15 дней и, к тому же, точнее предсказывает экстремальные погодные явления.

Источник изображения: NOAA/unsplash.com

ИИ-модель GenCast рассматривает вероятность реализации нескольких сценариев для точной оценки тенденций — от выработки энергии ветра до перемещения тропических циклонов. Вероятностный метод GenCast является новым рубежом в использовании ИИ для обеспечения более качественных и быстрых ежедневных прогнозов погоды. Этот подход всё чаще используют крупные метеослужбы, пишет Financial Times.

«Это знаменует собой своего рода переломный момент в развитии ИИ для прогнозирования погоды, поскольку современные необработанные прогнозы теперь поступают из моделей машинного обучения», — отметил Илан Прайс (Ilan Price), научный сотрудник Google DeepMind. Он добавил, что GenCast может быть включен в оперативные системы прогнозирования погоды, что позволит метеорологам лучше понимать тенденции и готовиться к предстоящим погодным явлениям.

Новизна подхода GenCast в сравнении с предыдущими моделями машинного обучения заключается в использовании так называемых ансамблевых прогнозов, представляющих различные результаты, — метода, применяемого в современном традиционном прогнозировании погоды. Для обучения GenCast использовалась накапливавшаяся в течение четырёх десятилетий база данных Европейского центра среднесрочного прогнозирования погоды (ECMWF).

Согласно публикации в Nature, модель GenCast превзошла 15-дневный прогноз ECMWF по 97,2 % из 1320 переменных, таких как температура, скорость ветра и влажность. Таким образом она превзошла по точности и охвату ИИ-модель GraphCast от Google DeepMind, представленную в прошлом году. GraphCast превзошла прогнозы ECMWF на 3–10 дней вперед примерно по 90 % показателей.

Модели прогнозирования погоды на основе ИИ работают гораздо быстрее стандартных методов прогнозирования, которые полагаются на огромную вычислительную мощность для обработки данных. GenCast может сгенерировать свой прогноз всего за восемь минут, тогда как на составление прогноза с помощью традиционных методов уходят часы.

По словам исследователей, ИИ-модель GenCast может быть дополнительно улучшена в части способности предсказания интенсивности крупных штормов. Также может быть увеличено разрешение её данных, чтобы соответствовать обновлениям, сделанным в этом году ECMWF.

ECMWF назвал разработку GenCast «важной вехой в развитии прогнозирования погоды». Центр также сообщил, что интегрировал «ключевые компоненты» подхода GenCast в версию своей собственной системы прогнозирования ИИ с ансамблевыми прогнозами, доступную с июня.

Лондонская лаборатория искусственного интеллекта Google DeepMind разработала систему, которая, по словам авторов проекта, составляет самые точные в мире прогнозы погоды на десять дней. Модель получила название GraphCast — она работает быстрее и точнее погодного симулятора HRES (High-Resolution Forecast), который считается отраслевым стандартом.

Источник изображения: deepmind.google

Данные GraphCast были проанализированы экспертами Европейского центра среднесрочных прогнозов погоды (ЕЦСПП) — межправительственной организацией, которая составляет HRES. Действующая версия GraphCast размещена на сайте ЕЦСПП. В сентябре она за девять дней предсказала, что на побережье Новой Шотландии (Канада) обрушится ураган «Ли», а традиционные средства прогнозирования установили это лишь за шесть дней. Кроме того, они оказались менее точными в аспекте времени и места выхода стихии на берег.

GraphCast способна идентифицировать опасные погодные явления, даже не будучи обученной их находить. С интеграцией простого средства отслеживания циклонов модель прогнозирует их движение более точно, чем метод HRES. Учитывая, что климат становится всё более непредсказуемым, своевременность и точность прогнозов окажется критической при планировании мероприятий перед лицом угрозы стихийных бедствий.

Традиционные методы составления прогнозов погоды основаны на сложных физических уравнениях — они переводятся в алгоритмы, которые обрабатываются суперкомпьютерами. Это кропотливый процесс, который требует специальных знаний и огромных вычислительных ресурсов. Модель GraphCast сочетает алгоритмы машинного обучения и графовые нейросети — архитектуру для обработки пространственно структурированных данных. Для изучения причинно-следственных связей систему обучили на массиве метеорологической информации за 40 лет: ЕЦСПП предоставил данные мониторинга со спутников, радаров и метеостанций. Алгоритм, впрочем, не пренебрегает и традиционными подходами: когда в наблюдениях обнаруживаются пробелы, они восполняются за счёт физических методов прогнозирования.

Источник изображения: charts.ecmwf.int

GraphCast составляет прогнозы в разрешении 0,25° широты и долготы. Иными словами, Земля разбита на миллион участков, по каждому из которых готовится прогноз с пятью переменными на земной поверхности и шести атмосферными показателями, которые охватывают атмосферу планеты в трёх измерениях на 37 уровнях. Переменные включают в себя показатели температуры, ветра, влажности, осадков и давления на уровне моря. Учитывается также геопотенциал — гравитационная потенциальная энергия на единицу массы в указанной точке относительно уровня моря. В ходе испытаний модель GraphCast на 90 % превзошла самые точные детерминированные системы для 1380 тестовых объектов. В тропосфере — нижнем слое атмосферы — прогнозы GraphCast оказалась точнее HRES по 99,7 % тестовых переменных. При этом модель демонстрирует высокую эффективность: прогноз на десять дней выполняется менее чем за минуту на одной машине Google TPU v4, тогда как традиционный подход требует нескольких часов работы суперкомпьютера с сотнями машин.

Несмотря на внушительные результаты, разработка GraphCast ещё не завершена: модель достаточно точно оценивает движение циклонов, но пока уступает традиционным методам в составлении их характеристик. Не исключено, что модель будет совершенствоваться и по другим аспектам, что только повысит её точность. Google DeepMind предлагает всем желающим присоединяться к проекту — разработчик опубликовал исходный код модели.