Nowy europejski model pogody oparty na sztucznej inteligencji jest szybszy, mądrzejszy i darmowy — oto, co warto wiedzieć

Europejskie Centrum Prognoz Średnioterminowych (ECMWF) właśnie uruchomiło model prognostyczny oparty na sztucznej inteligencji, który według ośrodka przewyższa najnowocześniejsze modele oparte na fizyce nawet o 20%.

Model ten nazywa się Artificial Intelligence Forecasting System (AIFS). Według komunikatu ECMWF nowy model działa z większą prędkością niż modele oparte na fizyce i potrzebuje około 1000 razy mniej energii, aby dokonać prognozy.

ECMWF, działające już od 50 lat, opracowało ENS, jeden z wiodących na świecie modeli prognozowania pogody w średnim zakresie. Prognozowanie w średnim zakresie obejmuje prognozy pogody sporządzane z wyprzedzeniem od trzech do 15 dni, ale ECMWF prognozuje również pogodę nawet z rocznym wyprzedzeniem. Modele prognozowania pogody są niezbędne dla stanów i władz lokalnych, aby były przygotowane na ekstremalne zjawiska pogodowe — a także na codzienne potrzeby, takie jak wiedza o tym, jaka będzie pogoda podczas nadchodzących wakacji.

Tradycyjne modele prognozowania pogody tworzą prognozy, rozwiązując równania fizyczne. Ograniczeniem tych modeli jest to, że są one przybliżeniami dynamiki atmosferycznej. Przekonującym aspektem modeli opartych na sztucznej inteligencji jest to, że mogą one uczyć się bardziej złożonych relacji i dynamiki wzorców pogodowych bezpośrednio z danych, zamiast polegać wyłącznie na wcześniej znanych i udokumentowanych równaniach.

Ogłoszenie ECMWF następuje tuż po modelu GenCast firmy Google DeepMind do prognozowania pogody opartego na sztucznej inteligencji, kolejnej iteracji oprogramowania do prognozowania pogody firmy Google, obejmującego NeuralGCM i GraphCast . GenCast przewyższył ENS , wiodący model prognozowania pogody ECMWF, w przypadku 97,2% celów w różnych zmiennych pogodowych. Z czasem realizacji dłuższym niż 36 godzin, GenCast był dokładniejszy niż ENS w przypadku 99,8% celów.

Ale Europejskie Centrum również wprowadza innowacje. Wprowadzenie AIFS-single to dopiero pierwsza działająca wersja systemu.

„To ogromne przedsięwzięcie, które zapewnia, że ​​modele działają stabilnie i niezawodnie” — powiedział Florian Pappenberger, dyrektor ds. prognoz i usług w ECMWF, w komunikacie środkowym. „W tej chwili rozdzielczość AIFS jest mniejsza niż rozdzielczość naszego modelu (IFS), który osiąga rozdzielczość 9 km [5,6 mili] przy użyciu podejścia opartego na fizyce”.

„Uważamy, że AIFS i IFS wzajemnie się uzupełniają i stanowią część oferty produktów dla naszej społeczności użytkowników, którzy sami decydują, co najlepiej odpowiada ich potrzebom” – dodał Pappenberger.

Zespół będzie badał możliwość połączenia modelowania opartego na danych z modelowaniem opartym na fizyce, aby zwiększyć zdolność organizacji do precyzyjnego przewidywania pogody.

„Modele oparte na fizyce są kluczowe dla obecnego procesu asymilacji danych” — powiedział Matthew Chantry, Strategic Lead for Machine Learning w ECMWF i Head of the Innovation Platform, w wiadomości e-mail do Gizmodo. „Ten sam proces asymilacji danych jest również niezbędny do inicjowania codziennych modeli uczenia maszynowego i umożliwiania im tworzenia prognoz”.

„Jednym z kolejnych obszarów prognozowania pogody przy użyciu uczenia maszynowego jest etap asymilacji danych. Gdyby udało się go rozwiązać, cały łańcuch prognozowania pogody mógłby opierać się na uczeniu maszynowym” – dodał Chantry.

Chantry jest współautorem badania oczekującego na recenzję naukową, w którym opisano kompleksowy system prognozowania oparty na danych, który nie opiera się na ponownej analizie opartej na fizyce.

Zespół napisał, że system o nazwie GraphDOP wykorzystuje obserwowalne wielkości, takie jak temperatury jasności, pochodzące z orbiterów polarnych, „aby utworzyć spójną, utajoną reprezentację dynamiki stanu systemu ziemskiego i procesów fizycznych oraz jest w stanie tworzyć precyzyjne prognozy istotnych parametrów pogodowych nawet do pięciu dni w przyszłość”.

Integracja metod sztucznej inteligencji z modelowaniem prognozowania pogody opartym na fizyce to obiecujący sposób na dokładniejsze prognozowanie. Dotychczasowe testy wskazują, że prognozowanie oparte na sztucznej inteligencji może przewyższyć modele historyczne, ale jak dotąd modele te opierały się na danych z ponownej analizy. Obserwacje na ziemi były niezbędne do trenowania modeli i pozostaje kwestią otwartą, jak imponujące będą zdolności prognozowania tej technologii, gdy będzie zmuszona odejść od scenariusza.