В останні роки зміна клімату стала однією з найбільш обговорюваних тем у науковому середовищі, і новітні технології, такі як штучний інтелект (ШІ), відіграють ключову роль у розумінні цього складного явища. Дослідники виявили, що ШІ може ефективно заповнювати прогалини в кліматичних даних, які виникають через недостатність спостережень або недоступність інформації про певні регіони. Завдяки алгоритмам машинного навчання учені здатні аналізувати величезну кількість даних з різ
Підписуйтеся на нас вГугл Новини, а також читайте вТелеграміФейсбук
Тайфун Доксурі в липні 2023 р. посилився до рівня супертайфуну за кілька годин — зірвавши дахи будинків, затопивши вулиці Китаю і Філіппін. Сучасні ШІ-моделі погоди цього не передбачили. Проблема — в «сліпих плямах»: ШІ розглядає атмосферу, гідрологію і суходіл як окремі системи і не розуміє, як вони взаємодіють.Як повідомляє Phys.orgз посиланням на ETH Zurich і Швейцарський національний суперкомп’ютерний центр (CSCS), новаЗемна системна базова модель (ESFM)вирішує саме цю проблему: вона самостійно, без людського керівництва, навчилась фундаментальним взаємодіям між повітрям, водою і суходолом — і перевершує всі попередні ШІ-моделі при прогнозуванні екстремальних подій.
«Базові моделі» (foundation models)— новий тип ШІ, що натренований на величезних і різнорідних наборах даних і здатний гнучко вирішувати широкий спектр завдань. GPT є базовою мовною моделлю. ESFM — перша спроба такого підходу длякліматичної системи Землі.
Попередні ШІ-метеомоделі страждають від «прогалин даних»: спостережні станції нерівномірно розподілені по планеті (море, пустеля, полюси — майже без вимірювань), і традиційні методи погано заповнюють ці прогалини.
ESFM вирішує це через«реконструкцію»: модель навчилась «здогадуватись», яким має бути значення в пропущеній точці на основі взаємозалежностей з оточуючими вимірюваннями. І що принципово — вона робить це, розуміючифізичні взаємодіїміж атмосферою, гідросферою і педосферою (верхнім шаром ґрунту).
«Через навчання на дуже різних типах даних моделі на зразок ESFM набувають форму фундаментального знання і тому гнучко вирішують широкий спектр завдань», — пояснює Торстен Хефлер, профессор інформатики ETH Zurich і Chief AI Architect CSCS.
Демонстраційний кейс — тайфун Доксурі: ESFM змогла відтворити і передбачити раптове посилення шторму, що стандартні ШІ-моделі пропускали. Це відбувається тому, що посилення тайфуну залежить від взаємодії тепла поверхні океану, вологи в атмосфері і конвективних токів — саме тих зв’язків, які ESFM вловлює цілісно.
Є загальний принцип: фізичні моделі краще прогнозуютьрекордно екстремальніподії (недавня публікаціяScience Advancesпоказала це), але ШІ-моделі швидші і ефективніші для рутинних прогнозів. ESFM намагається дати «найкраще з двох світів»: швидкість і гнучкість ШІ + фізична обґрунтованість через автономне навчання взаємодіям.
Чим ESFM відрізняється від GraphCast або Pangu-Weather?GraphCast (Google DeepMind) і Pangu-Weather (Huawei) — це ШІ-моделі, навчені переважно на атмосферних реаналізних даних ERA5. Вони «бачать» лише атмосферу. ESFM інтегрує також гідрологічні і земні дані і навчається їхнім взаємодіям — що теоретично дає повніше розуміння системи Земля.
Чи буде ESFM використовуватись для оперативних прогнозів погоди?Поки — ні. Це дослідницька демонстрація, представлена на конференції EGU. До оперативного застосування потрібні: розширення тренувальних даних, валідація на ширшому наборі екстремів і перевірка надійності в умовах реального часу. Але це перший крок у напрямку нового класу кліматичних ШІ.
Як ESFM заповнює пропущені дані?Через те, що модель розуміє фізичні взаємодії між змінними, вона може «здогадатись» про значення в пропущеній точці на основі суміжних вимірювань. Наприклад, якщо немає прямого вимірювання температури океану в певній точці — ESFM може реконструювати її з даних про атмосферний тиск, температуру повітря і течії в сусідніх точках.
🤯WOW-факт:Тайфун Доксурі в 2023 р. посилився за кілька годин так, що метеорологи просто «не встигли» попередити. ШІ-моделі, що зазвичай перевершують фізичні, цей стрибок пропустили. Причина: вони не «розуміли», що тепло Тихого океану, вологість мусону над суходолом і конвективні башти в атмосфері — цеодна система, а не три окремих. ETH Zurich навчив свою модель на всіх цих даних одночасно, і вонасамостійно— без жодної підказки людини — «зрозуміла» взаємозв’язки. Тепер вона може відтворити тайфун Доксурі. І, можливо, попередити про наступний.
Підписуйтеся на нас вГугл Новини, а також читайте вТелеграміФейсбук