Системы прогнозирования погоды предоставляют критически важную информацию об опасных штормах, смертельных волнах жары и потенциальных засухах, а также о других чрезвычайных ситуациях, связанных с климатом.
Но они не всегда точны. И по иронии судьбы суперкомпьютеры, которые генерируют прогнозы, также энергоёмки, способствуют выбросам парниковых газов, предсказывая при этом всё более неустойчивую погоду, вызванную изменением климата.
«Процесс сейчас очень затратен с точки зрения вычислений», — говорит Джеймс Реквейма, постдокторский исследователь в Университете Торонто и Институте искусственного интеллекта Vector.
Войдите в Aardvark Weather — модель прогнозирования погоды, разработанная Реквеймой и другими исследователями с использованием искусственного интеллекта (ИИ). Описанная в недавней статье в журнале Nature, система выдаёт результаты, сопоставимые с традиционными методами, но в 10 раз быстрее, использует крошечную долю данных и потребляет в 1000 раз меньше вычислительной мощности.
Фактически модель может быть запущена на обычном компьютере или ноутбуке. Она также имеет открытый исходный код и легко настраивается, что позволяет небольшим организациям, развивающимся странам или людям в отдалённых регионах вводить данные, которые у них есть, и генерировать локальные прогнозы при минимальном бюджете.
Разработка может оказаться своевременной. Пока Техас продолжает справляться с последствиями катастрофических наводнений, Манитоба борется с самым разрушительным за 30 лет сезоном лесных пожаров, а Европа страдает от смертельных волн жары. Существует явная потребность в доступном и точном прогнозировании погоды по всему миру.
«Вы часто слышите о том, что ИИ может помочь людям и, надеюсь, сделать человечество лучше, — говорит Реквейма. — Мы надеемся воплотить некоторые из этих обещаний с помощью этих моделей прогнозирования погоды».
Aardvark Weather разрабатывается в Кембриджском университете и Институте Алана Тьюринга. Реквейма присоединился к проекту в 2023 году.
Крупные метеорологические службы, такие как Национальная метеорологическая служба США и Европейский центр среднесрочных прогнозов погоды, берут начальные условия, представляющие текущее состояние атмосферы, и вводят эту информацию в суперкомпьютер. Затем они запускают численное моделирование и распространяют его в будущее, чтобы получить прогнозы будущих состояний атмосферы.
Затем они берут наблюдения с реальных датчиков и включают их в свои текущие представления об атмосфере и заново запускают прогноз. Существует постоянный итеративный цикл. На основе этих атмосферных прогнозов можно создать модель прогнозирования торнадо или осадков.
Глубокое обучение принципиально меняет подход к прогнозированию погоды. Вместо традиционного итеративного процесса, основанного на дорогостоящих численных симуляциях, мы обучаем нашу модель напрямую сопоставлять входные данные датчиков с интересующими нас погодными переменными. Мы вводим необработанные данные наблюдений — со спутников, кораблей и метеостанций — и модель учится прогнозировать осадки, атмосферное давление и другие условия напрямую.
Хотя для обучения начальной модели требуются вычислительные ресурсы, после обучения она работает удивительно эффективно. Получившаяся система достаточно лёгкая, чтобы работать на ноутбуке, что делает прогнозы на порядки быстрее и доступнее, чем традиционные методы, основанные на суперкомпьютерах.
Это означает, что сообщества могут развернуть эти модели локально для создания собственных прогнозов для конкретных погодных условий, которые важны для них.
Машинное обучение применялось к моделированию климата и раньше, но предыдущие подходы всё ещё зависели от численного моделирования в качестве входных данных. Наш ключевой прорыв — демонстрация того, что можно выйти из этой парадигмы и сопоставлять данные наблюдений напрямую с целями. Это доказательство концепции открывает принципиально новый подход к прогнозированию — мы продемонстрировали, что точное прогнозирование погоды не требует суперкомпьютерного моделирования в качестве промежуточного шага.
Мы публикуем эту модель с открытым исходным кодом — делаем её доступной для сообщества, чтобы другие могли улучшить нашу модель, внести изменения и обучить её для локального моделирования. Мы надеемся, что это поможет демократизировать прогнозирование погоды.
Качество прогнозов коррелирует с уровнем благосостояния, поэтому развивающиеся страны не имеют доступа к хорошему прогнозированию, которое есть у более богатых стран. Если мы сможем помочь обеспечить высококачественное прогнозирование в районах, где его раньше не было, это будет большим плюсом в нашей работе.
Дэвид [Дювено, доцент кафедры информатики в факультете искусств и наук Университета Торонто] — мой советник — и я хотим использовать ИИ в положительных целях. Прогнозирование климата — важный инструмент для оценки и разработки способов борьбы с изменением климата — и чем лучше у нас будут климатические модели, тем лучше наша наука сможет решать эту проблему. Это движущая сила для меня.
Во время моей докторской работы я работал над нейронными процессами — типом модели нейронной сети, которая эффективна для численного прогнозирования. Мы обнаружили, что она хорошо подходит для научных приложений, особенно для моделирования климата. Для Aardvark я помогал разрабатывать архитектуру модели и многоэтапную схему обучения.
Первый автор этого исследования, Анна Аллен из Кембриджа, проделала большую работу по поиску источников данных, включая множество канадских данных со станций наблюдения за погодой, метеорологических шаров и наблюдений с кораблей. Она из Австралии и любит интересных животных, таких как ленивцы и трубкозубы.
Предоставлено Университетом Торонто.