Нов симулатор, подобрен чрез използване на изкуствен интелект (ИИ), може да съответства на точността на традиционните прогнози за времето и също така може да извлича данни за степента на затопляне на атмосферата в резултат на изменението на климата. Симулаторът може да доведе до разработването на инструменти за моделиране на времето и климата, които изискват малка част от необходимата днес изчислителна мощност, според ръководения от Google изследователски екип, който стои зад него.
Повишаване на температурите | Хибридният инструмент на Google за изкуствен интелект симулира повишаването на температурите поне толкова добре, колкото и моделите
Чрез използването на хибриден подход, съчетаващ стандартни модели, основани на физиката, с инструмент за машинно обучение, екипът избягва проблемите, наблюдавани при експерименти, използващи само изкуствен интелект, казва Стефан Хойер, изследовател от Google, който ръководи проекта. „Наистина се опитахме да се опитаме да разглобим черната кутия, вместо да разполагаме само с чист модел на ИИ“, каза той.
Моделите на времето и климата са от основно значение за всички - от метеоролозите на местните телевизии до климатолозите, които изследват колко може да се затопли светът. Съвременните климатични модели са физика, представена като софтуер, като основните части на земната система действат заедно: атмосфера, океан, суша и лед.
Тези модели могат да уловят широкомащабни климатични и метеорологични системи с по-голяма увереност, отколкото локални явления. Облаците, валежите и торнадата се появяват в толкова малки мащаби, че общите уравнения не могат да ги опишат. Обикновено учените ги оценяват по данни от реалния свят и ги програмират в моделите като „параметри“.
Експерименталният модел, NeuralGCM, разчита на съществуващите модели на обща циркулация (GCM) за симулиране на широкомащабната физика и използва подход за машинно обучение, наречен невронна мрежа, за оценка на по-малките характеристики.
„Благодарение на това сме в състояние да изградим модел, който е много по-стабилен и дава много по-надеждни резултати, когато го пускаме за по-дълги периоди от време в бъдещето, дори за години или десетилетия“, казва Хойер.
Р. Сараванан, професор по атмосферни науки в Тексаския университет, който не е участвал в изследването, го нарече „важен напредък в атмосферното моделиране и дългосрочното прогнозиране на времето, но не непременно гигантски скок в прогнозирането на климата“.
Хибридният модел има ограничения. Той изчислява повишаването на температурите само в атмосферата, но не и в океаните, на сушата или върху леда. Конвенционалните модели са в състояние да симулират всички основни елементи на земната система. Новият подход също така все още не позволява на изследователите да променят нивото на парниковите газове в атмосферата, което е основна функция на съвременните климатични модели. Изследователите използват температурата на морската повърхност, а не емисиите, като стимул за промяна на атмосферата.
Сараванан заяви, че работата може да се окаже особено полезна за прогнозиране на времето в подсезонни и сезонни мащаби. Ако подходът може да бъде разширен, за да включи океаните, той може да стане полезен за изследователите, които изучават Ел Ниньо и Ла Ниня, казва той.
Изследователите разработват функция в NeuralGCM, която генерира прогнози за ураганите за една година напред, които, ако се окажат полезни, биха могли да помогнат на хората да се подготвят за бури и да изградят инфраструктура за адаптиране, каза Хойер.
Атмосферните модели с машинно обучение са много по-бързи и изискват по-малко изчислителна мощност от стандартните модели. Един от тях, GraphCast, също разработен от Google на Alphabet Inc, има 5417 реда код, в сравнение с 376 578 реда за модела на правителството на САЩ. За Neural GCM Хойер казва: „Може да го използвате и на лаптоп.“
Все пак машинното обучение не е заместител на физиката, предупреди един от климатолозите относно новите резултати. „Няма път, който да ви отведе до бъдещето на климата без настоящите климатични модели“, каза Гавин Шмидт, директор на Института за космически изследвания „Годард“ на НАСА.
Обикновено учените изчисляват количеството на глобалното затопляне, което вероятно ще се дължи на замърсяването с парникови газове, като диапазон, отразяващ хаотичния характер на климата. Същото е и при прогнозирането на времето, когато метеоролозите казват, че има например 40% вероятност за дъжд.
Моделите, базирани на физиката, са в състояние да се фокусират върху този хаос и да ограничат начина, по който светът може да реагира на по-високите температури. Но моделите с изкуствен интелект, тъй като не изчисляват директно физиката, няма как да уловят присъщата, неизбежна неточност в прогнозите - каза Шмидт.
Най-голямото постижение на новия модел може да е в сравнение със симулациите на климата, които използват само машинно обучение.
„На пръв поглед NeuralGCM звучи като голям напредък в чистото моделиране, базирано на машинно обучение“, казва Сараванан. „Всъщност е точно обратното - статията подчертава ограниченията на подходите базирани само на машинното обучение.“
Проектът е част от по-мащабните усилия на Google в областта на изкуствения интелект, а авторите отбелязват, че техният хибриден подход на физика и изкуствен интелект може да даде тласък на други усилия в областта на материалознанието, сгъването на протеини и инженерството. ИИ вече има друг ефект в Google: За пет години интензивните изчисления с изкуствен интелект са увеличили емисиите на парникови газове с 48%.