Модель ИИ демонстрирует потенциал для более быстрого и точного прогнозирования погоды

Современные прогнозы погоды создаются одними из самых мощных компьютеров на Земле. Новое исследование показывает, что в будущем подход может стать радикально другим. Совместная работа Университета Вашингтона и Microsoft Research продемонстрировала, как искусственный интеллект может анализировать прошлые погодные паттерны для предсказания будущих событий гораздо эффективнее, а потенциально — и точнее, чем современные технологии.

Новая глобальная модель предсказывает погоду на основе данных за последние 40 лет, а не сложных физических расчетов. Этот простой, основанный на данных подход позволяет модели ИИ симулировать погоду по всему земному шару на год вперед значительно быстрее и почти так же хорошо, как традиционные модели. Хотя новая модель пока менее точна, чем лучшие современные традиционные системы, она использует примерно в 7000 раз меньше вычислительной мощности для создания прогнозов с тем же разрешением по земному шару.

Меньший объем вычислений означает более быстрые результаты, что позволит метеоцентрам быстро запускать множество моделей с немного различающимися начальными условиями. Этот метод, известный как «ансамблевое прогнозирование», помогает охватить диапазон возможных исходов погодного события, например, определить зону вероятного удара урагана. «Обещание этого подхода в том, что он может позволить нам работать с проблемами предсказуемости, имея модель, достаточно быструю для запуска очень больших ансамблей», — отметил соавтор Дейл Дьюрран.

Ведущий автор работы Джонатан Вейн объяснил: «После обучения на исторических данных алгоритм ИИ способен выявлять взаимосвязи между различными переменными, которые не могут описать физические уравнения. Мы можем позволить себе использовать гораздо меньше переменных и, следовательно, создать модель, которая работает намного быстрее». Протестированная на бенчмарке WeatherBench для трехдневных прогнозов, новая модель показала себя как одна из лучших. Авторы отмечают, что для конкуренции с действующими оперативными прогнозами модель на основе данных потребует большей детализации, но сам подход выглядит перспективной альтернативой, особенно с учетом растущего объема архивных прогнозов и наблюдений.