Vaata, mida tehisaru ilma ja kliima ennustamise vallas teha suudab

NeuralGCM mudel võimaldab teha ilmaennustusi päevadeks ja nädalateks ette ning vaadelda kuude ja aastate perspektiivi kliimaennustustes. Foto: Unsplash

Teadlaste sõnul saavutab uus tehisintellekti (AI) kasutav süsteem ilmastiku ja kliima ennustamisel tulemusi, mis on võrreldavad parimate olemasolevate mudelitega, kasutades samal ajal palju vähem arvutusvõimsust.

Ajakirjas Nature avaldatud artiklis väidab Google'i, MITi, Harvardi ja Euroopa Keskmise Ulatusega Ilmaennustuse Keskuse (European Center for Medium-Range Weather Forecasts ehk ECMWF) teadlaste töörühm, et nende mudel pakub tohutut «arvutuslikku kokkuhoidu» ja võib «parandada suuri füüsikalisi simulatsioone, mis on olulised Maa süsteemi mõistmiseks ja ennustamiseks».

NeuralGCM mudel on uusim paljudest teaduslikest mudelitest, mis kasutavad masinõppe edusamme, et muuta ilma- ja kliimaennustused kiiremaks ja odavamaks.

Mis on NeuralGCM?

NeuralGCM mudel püüab ühendada traditsiooniliste mudelite parimad omadused masinõppe lähenemisviisiga.

NeuralGCM on «üldine tsirkulatsioonimudel», mis sisaldab Maa atmosfääri füüsikalise seisundi matemaatilist kirjeldust ja lahendab keerukaid võrrandeid, et ennustada tulevikus toimuvat.

NeuralGCM kasutab ka masinõpet — protsessi, mis otsib suurtest andmehulkadest mustreid ja seaduspärasusi — mõnede vähem mõistetavate füüsikaliste protsesside, näiteks pilvede moodustumise jaoks. See hübriidlähenemisviis tagab, et masinõppemoodulite väljund on kooskõlas füüsikaseadustega.

NeuralGCM mudeli rakendused

See mudel võimaldab teha ilmaennustusi päevadeks ja nädalateks ette ning vaadelda kuude ja aastate perspektiivi koguni kliimat ette ennustades.

Teadlased võrdlesid NeuralGCM mudelit teiste mudelitega, kasutades standardiseeritud prognoositeste nimega WeatherBench 2. Kolme- ja viiepäevastes prognoosides saavutas NeuralGCM umbes sama häid tulemusi kui teised masinõppe mudelid, nagu Pangu ja GraphCast. Pikemaajalistes prognoosides – kümne ja viieteistkümne päeva lõikes – oli NeuralGCM umbes sama täpne kui parimad traditsioonilised mudelid.

NeuralGCM oli edukas ka harvem esinevate ilmastikunähtuste, näiteks troopiliste tsüklonite ja atmosfäärijõgede ennustamisel.

Miks masinõpe?

Masinõppe mudelid põhinevad algoritmidel, mis õpivad mustreid andmetest, mis neile on sisestatud, ja kasutavad omandatud teadmisi ennustuste tegemiseks. Kuna kliima- ja ilmastikusüsteemid on väga keerulised, vajavad masinõppe mudelid treenimiseks tohutul hulgal ajaloolisi vaatlusi ja satelliitidelt pärinvaid mõõtmis- ja vaatlusandmeid.

Treeningprotsess on väga kallis ja nõuab palju arvutusvõimsust. Kuid pärast mudeli treenimist on selle kasutamine prognooside tegemiseks kiire ja odav. Selles seisneb nende mudelite peamine atraktiivsus ilma prognoosimiseks.

Koolituse kõrge hind ja madalad kasutuskulud on sarnased muud tüüpi masinõppe mudelitega. Näiteks GPT-4 koolitamiseks kulus väidetavalt mitu kuud, mille maksumus ületas 100 miljonit USA dollarit, kuid see suudab päringule vastata hetkega.

NeuralGCM mudeli tugevused ja nõrkused

Masinõppe mudelite nõrkus on sageli see, et nad kipuvad tundmatutes olukordades — või praegusel juhul äärmuslikes või enneolematutes ilmastikutingimustes — hädasse jääma. Selleks peab mudel suutma üldistada või ekstrapoleerida andmetest, millega teda treeniti.

NeuralGCM näib olevat selles teistest masinõppe mudelitest parem, sest selle füüsikapõhine tuum pakub reaalsusega suhteliselt sarnaseid tulemusi. Kuna Maa kliima muutub, muutuvad enneolematud ilmastikutingimused tavalisemaks ja me ei tea, kui hästi masinõppe mudelid suudavad selle tempoga sammu pidada.

Kuigi keegi ei kasuta veel igapäevaseks ilmaennustuseks masinõppepõhiseid mudeleid, on see väga aktiivne uurimisvaldkond — ja ühel või teisel viisil võime olla kindlad, et tuleviku prognoosid hõlmavad masinõpet.

Allikad: The Conversation ja Phys.org