Googleov model GraphCast daje najtočnije 10-dnevne vremenske prognoze
Meteorološka predviđanja osnažena umjetnom inteligencijom pokazala su preciznost bez presedana, kako za vremenske uvjete diljem svijeta, tako i u slučaju predviđanja ekstremnih meteoroloških pojava
Tim znanstvenika iz Googleovog odjela za umjetnu inteligenciju DeepMind predstavio je svoj napredni model umjetne inteligencije GraphCast, specijaliziran za desetodnevne meteorološke prognoze. Prvi eksperimenti pokazuju da je to trenutačno najtočniji meteorološki prediktivni model na svijetu, točniji od "zlatnog standarda" – prognoze visoke rezolucije (High Resolution Forecast, HRES) koju proizvodi Europski centar za srednjoročne prognoze vremena (ECMWF).
AI meteorolog
Postojeći se sustavi prognoziranja vremena oslanjaju na napredne numeričke modele, fizikalne jednadžbe i algoritme, koji se potom izvode na superračunalima. Na temelju trenutačnih podataka u atmosferi oni izračunavaju buduće scenarije, a za točnije prognoze potrebne su im velike količine podataka, kao i ogromna (i skupa) računalna snaga.
Pristup ekipe iz DeepMinda nešto je drugačiji i oslanja se na strojno učenje. Umjesto "sirovih" podataka i jednadžbi, GraphCast koristi povijesne podatke i trendove iz proteklih desetljeća, na kojima je AI model treniran. Na temelju toga "naučio" je prepoznavati uzročno-posljedične veze među meteorološkim pojavama u Zemljinoj atmosferi.
Velika efikasnost
Njegova neuronska mreža već sada je u stanju dati predviđanja za pokazatelje poput temperature, brzine vjetra, vlage ili tlaka zraka za ćelije veličine 0,25° geografske širine i dužine (što čini 28x28 km na Ekvatoru). Površina Zemlje tako je podijeljena na više od milijun točaka, za koje je moguće predvidjeti šest varijabli do deset dana unaprijed.
Iako je treniranje modela bilo računalno intenzivan proces, svaka sljedeća izrada prognoze prilično je jednostavan, jeftin i bez proces – za desetodnevnu prognozu u bilo kojem trenutku potrebno je tek manje od minute vremena na jednom Googleovom tenzorskom procesoru (TPU v4). Dali su i usporedbu: za usporedivu prognozu konvencionalnog sustava, kao što je spomenuti HRES, potrebni su sati rada superračunala sa stotinama sličnih procesora.
Visoka preciznost
Kad je riječ o preciznosti, GraphCast je u pokusnom radu u više od 90% slučajeva dao točnije rezultate od modela HRES. Za troposferu, gdje su meteorološke prognoze najvažnije, bio je točniji u čak 99,7% slučajeva.
GraphCast je u stanju dati i rane prognoze te upozorenja vezana uz ekstremne vremenske pojave. Može predvidjeti putanje ciklona dalje u budućnost i s većom razinom preciznosti, prepoznati kada bi moglo doći do poplava na određenim područjima te upozoriti na pojavu ekstremnih temperatura. Zbog svega toga njegovi tvorci kažu kako ima potencijal spašavati živote, omogućavajući mnogima ranu pripremu na sve češće pojave meteoroloških ekstrema.
Kako bi se model mogao koristiti u što raznolikije svrhe, iz Googlea su odlučili otvoriti njegov kod, pa je on sada kao open source projekt dostupan na GitHubu. O uspjesima predviđanja ovog modela objavljen je i znanstveni rad u časopisu Science, a prvi rezultati eksperimentiranja s ovim alatom u stvarnim uvjetima, koje obavlja ECMWF, mogu se vidjeti i uživo na ovoj web stranici.