Το GraphCast AI ξεπερνά τους υπερυπολογιστές στην ακριβή πρόγνωση του καιρού

Την επόμενη φορά που θα εκνευριστείτε με μια κακή πρόγνωση του καιρού, θυμηθείτε ότι η πρόγνωση του καιρού είναι ένα από τα πιο δύσκολα καθήκοντα της επιστήμης. Η Google έβαλε τώρα την Τεχνητή Νοημοσύνη να εργαστεί ως μετεωρολόγος, αποδεικνύοντας ότι μπορεί να κάνει ακριβείς προβλέψεις έως και 10 ημέρες νωρίτερα μέσα σε ένα μόνο λεπτό σε ένα μόνο μηχάνημα, μια εργασία που κανονικά θα χρειαζόταν ώρες για να κάνει ένα δωμάτιο γεμάτο υπερυπολογιστές.

Το διάσημο φαινόμενο της πεταλούδας προτείνει ότι κάτι τόσο ασήμαντο όσο μια πεταλούδα που φτερουγίζει τα φτερά της σε ένα άλλο μέρος του πλανήτη μπορεί να επηρεάσει το αν θα σχηματιστεί καταιγίδα ή όχι. Η δουλειά της μετεωρολογικής πρόγνωσης είναι να συγκεντρώσει όλες αυτές τις παροιμιώδεις πεταλούδες σε ακριβή μοντέλα που σας λένε αν πρέπει να κάνετε πικνίκ το επόμενο Σάββατο.

Αυτό γίνεται μέσω μιας διαδικασίας γνωστής ως Αριθμητική Πρόγνωση Καιρού (NWP), η οποία λαμβάνει τρέχουσες μετεωρολογικές παρατηρήσεις από όλο τον κόσμο και τις περνάει μέσα από πολύπλοκες εξισώσεις φυσικής που εκτελούνται σε υπερυπολογιστές. Ωστόσο, η Google ανακοίνωσε πρόσφατα το GraphCast, μια τεχνολογία τεχνητής νοημοσύνης που μπορεί να επεξεργαστεί δεδομένα πιο γρήγορα και σε λιγότερο ισχυρό υλικό.

Αυτή η τεχνητή νοημοσύνη διδάχτηκε χρησιμοποιώντας δεδομένα από 40 χρόνια ανακατανομής του καιρού που συλλέγονται από δορυφορικές φωτογραφίες, ραντάρ και μετεωρολογικούς σταθμούς. Το GraphCast παίρνει τον καιρό πριν από έξι ώρες και την παρούσα κατάσταση και στη συνέχεια χρησιμοποιεί το τεράστιο σύνολο δεδομένων του για να προβλέψει τον καιρό σε έξι ώρες από τώρα. Στη συνέχεια, μπορεί να προβάλλει προς τα εμπρός σε διαστήματα έξι ωρών για να δημιουργήσει μια πρόγνωση για έως και δέκα ημέρες.

Αυτό γίνεται μέσω του GraphCast σε πάνω από ένα εκατομμύριο σημεία πλέγματος στην επιφάνεια της Γης, καθένα από τα οποία μετράει 0,25 μοίρες γεωγραφικού μήκους και πλάτους. Το μοντέλο λαμβάνει υπόψη πέντε μεταβλητές στην επιφάνεια και έξι στην ατμόσφαιρα σε 37 διαφορετικά υψόμετρα σε κάθε ένα από αυτά τα σημεία, όπως η θερμοκρασία, η πίεση, η υγρασία, η ταχύτητα και η κατεύθυνση του ανέμου.

Σε πειράματα, το GraphCast που έτρεχε σε ένα μόνο μηχάνημα Google TPU v4 συγκρίθηκε με το σημερινό χρυσό πρότυπο για την πρόγνωση του καιρού - ένα σύστημα προσομοίωσης που βασίζεται σε υπερυπολογιστές και ονομάζεται High Resolution Forecast (HRES). Το GraphCast παρήγαγε προβλέψεις 10 ημερών σε λιγότερο από ένα λεπτό και υπερείχε του HRES στο 90% των μεταβλητών δοκιμής και των χρόνων πρόβλεψης. Το GraphCast ξεπέρασε το HRES κατά 99,7% του χρόνου όταν τα μοντέλα επικεντρώνονταν στην τροπόσφαιρα, το χαμηλότερο στρώμα της ατμόσφαιρας, όπου οι σωστές προβλέψεις είναι πιο χρήσιμες και πρακτικές για την καθημερινή ζωή.

Ακόμα πιο εντυπωσιακό, το GraphCast ξεπέρασε το HRES στον εντοπισμό περιστατικών κακοκαιρίας, παρόλο που δεν είχε εκπαιδευτεί ειδικά για αυτό. Σε ένα παράδειγμα από τον πραγματικό κόσμο, η τεχνητή νοημοσύνη προέβλεψε σωστά τη θέση της προσγείωσης ενός τυφώνα εννέα ημέρες νωρίτερα, παρόλο που οι παραδοσιακές προβλέψεις μπορούσαν να το επιβεβαιώσουν μόνο έξι ημέρες νωρίτερα.

Σύμφωνα με την Google, ο κώδικας πίσω από το GraphCast είναι ανοικτού κώδικα, επιτρέποντας στους επιστήμονες σε όλο τον κόσμο να πειραματιστούν με αυτόν και να τον ενσωματώσουν στις συνήθεις προβλέψεις καιρού. Αυτό το είδος της επεξεργασίας αριθμών φαίνεται να είναι η ιδανική απασχόληση για την τεχνητή νοημοσύνη, επιτρέποντάς τους να επικεντρωθούν στην τέχνη και τη συγγραφή.