Google переворачивает метеорологию: ИИ-модель GraphCast превзошла мировые стандарты в прогнозировании погоды

Для получения максимально точных прогнозов больше не нужны суперкомпьютеры и часы ожидания.


e97dudgbj6q9psr124awlg4xjx49a8wr.jpg


Исследователи из лондонского подразделения Google DeepMind продемонстрировали значительный прогресс в области метеорологии, используя искусственный интеллект для прогнозирования погоды. Их модель GraphCast смогла предсказать погодные условия с более высокой точностью, чем ведущий европейский центр погодных прогнозов, ECMWF .

GraphCast использовал алгоритмы машинного обучения, которые обрабатывали погодные данные практически за четыре десятилетия, собранные вышеупомянутым центром ECMWF. Модель продемонстрировала превосходство в прогнозировании более чем 1300 атмосферных показателей, включая влажность и температуру.

GraphCast может работать даже на обычном ноутбуке и выдаёт сверхточные прогнозы менее чем за минуту, в то время как традиционные модели требуют гигантских вычислительных мощностей и продолжительного времени.

Ключевым элементом GraphCast являются так называемые «графовые нейронные сети» ( GNN ), которые представляют данные в виде математических графов. Эти сети способны быстро генерировать прогнозы, используя минимальные вычислительные ресурсы. Основной задачей GNN является предсказание взаимодействий между атмосферными условиями в различных точках земного шара.

Интересно отметить, что несмотря на значительные успехи Google DeepMind, прогнозирование погоды по-прежнему остаётся сложной задачей. ИИ-модель GraphCast, к примеру, пока не способна предоставлять комплексные прогнозы, которые так важны для прогнозирования крупных метеорологических событий, таких как ураганы.

Тем не менее, результаты работы Google DeepMind вызывают оптимизм среди метеорологов и специалистов в области машинного обучения. Так, Мэттью Чентри из ECMWF отметил, что GraphCast выделяется среди других ИИ-моделей, особенно в части прогнозирования осадков.

Заключительный важный аспект исследования касается влияния изменений климата на погодные модели. В то время как традиционные модели опираются на законы физики и, следовательно, считаются более устойчивыми к климатическим изменениям, ИИ-модели, обученные на исторических данных, могут столкнуться с трудностями при изменении климатических условий. Однако исследователи из DeepMind выразили уверенность в способности своей модели адаптироваться к различным типам погодных систем.