Ang mga pagtataya ng panahon ngayon ay batay sa mga kumplikadong modelo na nagsasama ng mga batas na namamahala sa dynamics ng atmospera at karagatan, at ang mga modelong ito ay tumatakbo sa ilan sa mga pinakamakapangyarihang supercomputer na umiiral. Gayunpaman, nagawang mahulaan ng Alphabet (namumunong kumpanya ng Google) ang mga pandaigdigang kondisyon ng panahon para sa susunod na 10 araw sa loob lamang ng isang minuto gamit ang isang makina na kasing laki ng isang personal na computer, salamat sa artificial intelligence na binuo ng DeepMind. Ang Hinulaan ng Google AI ang lagay ng panahon at ito ay kasisimula pa lamang.
Sa artikulong ito, sasabihin namin sa iyo kung paano hinuhulaan ng Google AI ang lagay ng panahon at kung paano umunlad ang teknolohiyang ito.
Hinulaan ng Google AI ang lagay ng panahon
Nakapagtataka, ang AI system na ito ay higit na mahusay sa karamihan ng mga modernong sistema ng paghula ng panahon sa halos lahat ng aspeto. Kapansin-pansin, lumilitaw na sa pagkakataong ito ang artificial intelligence ay nagsisilbing pandagdag sa katalinuhan ng tao sa halip na palitan ito.
Ang European Center para sa Medium-Range Weather Forecasts (ECMWF) ay may napakahusay na advanced na sistema na sumailalim sa isang malaking pag-upgrade noong nakaraang taon, na nagpapahusay sa mga kakayahang hulaan nito. Naka-host sa mga pasilidad nito sa Bologna, Italy, Mayroong isang supercomputer na nilagyan ng humigit-kumulang isang milyong mga processor (kabaligtaran sa dalawa o apat na matatagpuan sa isang personal na computer) at isang pambihirang kapangyarihan sa pag-compute na 30 petaflops, katumbas ng nakakagulat na 30.000 trilyong kalkulasyon bawat segundo.
Ang napakalawak na kapasidad sa pag-compute na ito ay kinakailangan para sa isa sa mga tool nito, ang High Resolution Forecasting (HRES), na tumpak na hinuhulaan ang mga medium-term na global weather pattern, na Ang mga ito ay karaniwang sumasaklaw ng 10 araw, na may kahanga-hangang spatial na resolusyon na siyam na kilometro. Ang mga hulang ito ay nagsisilbing batayan para sa mga pagtataya ng panahon na inihahatid ng mga meteorologist sa buong mundo. Kamakailan, ang GraphCast, isang artificial intelligence na binuo ng Google DeepMind, ay ginamit upang sukatin ang mga kakayahan ng mabigat na sistemang ito sa hula ng panahon.
Mga Resulta ng Pag-aaral ng AI
Ang mga resulta ng paghahambing, na inilathala noong Martes sa journal Science, ay nagpapakita na ang GraphCast ay higit na gumaganap ng HRES sa paghula ng maraming mga kadahilanan ng panahon. Ayon sa pag-aaral, Nahigitan ng makina ng Google ang ECMWF sa 90,3% ng 1.380 na sukatan na sinuri.
Kapag nakatutok lamang sa troposphere, ang atmospheric layer kung saan nangyayari ang karamihan sa mga kaganapan sa panahon, at hindi kasama ang data mula sa stratosphere, na humigit-kumulang 6 hanggang 8 kilometro sa ibabaw ng Earth, ang artificial intelligence (A.I.) ) ay higit na gumaganap sa mga supercomputer na pinangangasiwaan ng tao sa 99,7% ng kaso. nasuri ang mga variable. Nakapagtataka, ang tagumpay na ito ay nakamit gamit ang isang makina na halos kahawig ng isang personal na computer na kilala bilang isang tensor processing unit o TPU.
Ayon kay Álvaro Sánchez González, mananaliksik sa Google DeepMind, ang mga TPU ay mga espesyal na hardware na nag-aalok ng mas mahusay na pagsasanay at pagpapatupad ng artificial intelligence software kumpara sa isang normal na PC, habang pinapanatili ang isang katulad na laki. Kung paanong ang graphics card ng isang computer ay nakatuon sa pag-render ng mga larawan, ang mga TPU ay idinisenyo upang maging mahusay sa mga produktong matrix. Para sa pagsasanay sa GraphCast, gumamit kami ng 32 TPU sa loob ng ilang linggo. Gayunpaman, kapag natapos na ang pagsasanay, ang isang TPU ay maaaring makabuo ng mga hula sa wala pang isang minuto, gaya ng ipinaliwanag ni Sánchez González, isa sa mga gumawa ng device.
GraphCast at mga sistema ng hula
Ang isang kapansin-pansing pagkakaiba sa pagitan ng GraphCast at umiiral na mga sistema ng paghula ay ang kakayahang isama ang makasaysayang data. Sinanay ng mga tagalikha ang system gamit ang meteorological data mula sa archive ng ECMWF na itinayo noong 1979. Sinasaklaw ng malawak na set ng data na ito ang pag-ulan sa Santiago at ang mga bagyo na nakaapekto sa Acapulco sa loob ng 40 taon. Pagkatapos ng maraming pagsasanay, ang GraphCast ay may kahanga-hangang kakayahan na makabuo ng tumpak na mga hula sa panahon.
Nangangailangan lamang ito ng kaalaman sa lagay ng panahon anim na oras bago at kaagad bago ang iyong pagtataya upang tumpak na mahulaan ang lagay ng panahon sa isa pang anim na oras mula ngayon. Ang mga hula ay magkakaugnay at ang bawat bagong hula ay nagpapaalam sa nauna. Si Ferran Alet, co-creator ng kahanga-hangang DeepMind machine na ito, ay nagpapaliwanag sa mga panloob na gawain nito: «Ang aming neural network ay umaasa sa mga kondisyon ng panahon anim na oras nang maaga. Para mahulaan ang lagay ng panahon sa loob ng 24 na oras, apat na beses lang naming sinusuri ang modelo. Bilang kahalili, maaari kaming nagsanay ng hiwalay na mga modelo para sa iba't ibang yugto ng panahon, tulad ng isa para sa anim na oras at isa para sa 24 na oras. gayunpaman, "Naiintindihan namin na ang mga pangunahing prinsipyo na namamahala sa panahon ay nananatiling pare-pareho sa loob ng anim na oras."
"Samakatuwid, kung matutuklasan natin ang naaangkop na 6 na oras na modelo at gagamitin ang sarili nitong mga hula bilang input, maaari nating tumpak na hulaan ang lagay ng panahon para sa susunod na 12 oras at ulitin ang prosesong ito tuwing anim na oras." Ayon kay Alet, ang diskarteng ito ay nagbibigay ng malaking halaga ng data para sa isang modelo, na nagreresulta sa mas mahusay na pagsasanay.
Hanggang ngayon, ang mga pagtataya ng panahon ay nakabatay sa numerical na hula ng panahon, na gumagamit ng mga siyentipikong equation na binuo sa buong kasaysayan upang matugunan ang iba't ibang kumplikado ng atmospheric dynamics. Ang mga natuklasan ng mga mananaliksik ay nagtatag ng isang hanay ng mga mathematical algorithm na supercomputer dapat tumakbo upang makabuo ng mga hula para sa susunod na ilang oras, araw, o linggo (bagama't makabuluhang bumababa ang pagiging maaasahan lampas sa 15 araw). Gayunpaman, ang pagsasagawa ng gawaing ito ay nangangailangan ng isang napaka-advanced na supercomputer, na kinabibilangan ng malalaking gastos at malawak na pagsisikap sa engineering.
Hinulaan ng modelo ng Google AI ang lagay ng panahon
Ang partikular na kapansin-pansin ay ang mga sistemang ito hindi nila ginagamit ang mga kondisyon ng panahon ng nakaraang araw o kahit na ang nakaraang taon, sa kabila ng nangyari sa parehong lugar at sa parehong oras.
Sa kabaligtaran, lumalapit ito sa gawain mula sa ibang anggulo, halos kabaligtaran. Sa pamamagitan ng mga advanced na kakayahan sa malalim na pag-aaral, gumagamit ito ng malawak na mga archive ng nakaraang data ng panahon upang makakuha ng komprehensibong pag-unawa sa masalimuot na sanhi-at-epektong dinamika na nagdidikta sa pag-unlad ng klima ng Earth.
Ayon kay José Luis Casado, tagapagsalita ng Spanish Meteorological Agency (AEMET), hindi isinasaalang-alang ang historical data sa atmospheric model. Nilinaw ni Casado na ang modelong ito ay batay sa mga umiiral na obserbasyon at ang pinakabagong hula na ginawa ng mismong modelo. Sa pamamagitan ng tumpak na pag-unawa sa kasalukuyang kalagayan ng atmospera, posibleng hulaan ang pag-unlad nito sa hinaharap. Hindi tulad ng mga diskarte sa pag-aaral ng makina, ang diskarteng ito ay hindi gumagamit ng makasaysayang data o mga hula.
Umaasa ako na sa impormasyong ito maaari kang matuto nang higit pa tungkol sa AI ng Google na hinuhulaan ang lagay ng panahon at mga katangian nito.