Rok temu Google DeepMind zadziwiło świat (nie tylko naukowy) publikacją w tygodniku „Science”. Zaprezentowało w nim program GraphCast, oparty na uczeniu maszynowym. Jest to dział AI zajmujący się tworzeniem systemów komputerowych, które uczą się i doskonalą na podstawie doświadczenia, czyli bez bycia explicite zaprogramowanymi do każdego zadania. Obecnie wykorzystuje się w nich najczęściej sztuczne sieci neuronowe.
Opiera się na nich również GraphCast, który został stworzony do przewidywania pogody. Jego skuteczność sprawdzono, porównując z HRES (od ang. High RESolution forecast), czyli najdokładniejszym programem do generowania prognoz numerycznych. I w 90 proc. analizowanych przypadków wypadł od niego lepiej. Co więcej, również trafniej przewidywał zjawiska ekstremalne, m.in. tory cyklonów tropikalnych czy anomalie temperatury, choć nie był specjalnie szkolony w tym kierunku. Ponadto potrafił wygenerować dokładną prognozę na dziesięć dni i to w mniej niż minutę bez potrzeby zaprzęgania ogromnych mocy obliczeniowych potężnych komputerów. Dlatego „Science” umieściło GraphCast na liście najważniejszych osiągnięć naukowych 2023 r.
Czytaj także: Orion kontra Gemini. Zapowiada się gorąca końcówka roku w świecie sztucznej inteligencji
GenCast jeszcze lepsze niż GraphCast
Google DeepMind (którego dwaj badacze, Demis Hassabis i John Jumper, otrzymali w tym roku Nagrodę Nobla za program AI do przewidywania struktur przestrzennych białek) nie spoczął jednak na laurach. W nowym wydaniu tygodnika „Nature” prezentuje drugi, jeszcze lepszy model AI prognozujący pogodę. Nazywa się GenCast i również został oparty na uczeniu maszynowym oraz sztucznych sieciach neuronowych. Uczył się zaś na zbiorze danych pogodowych z lat 1979–2018, który zawiera szczegółową rekonstrukcję stanu atmosfery z przeszłości, opartą zarówno na obserwacjach meteorologicznych, jak i na modelach numerycznych. Dzięki temu potrafi generować prognozy na 15 dni, prezentując przewidywane warunki meteorologiczne co 12 godz.
Robiąc to, GenCast uwzględnia ponad 80 zmiennych powierzchniowych i atmosferycznych, czyli różnych parametrów, które razem tworzą kompletny „obraz” pogody. Model m.in. sprawdza na różnych wysokościach temperaturę, wilgotność, kierunek i siłę wiatrów. To trochę jak robienie tomografii atmosfery – patrzy na nią warstwami, od powierzchni ziemi aż po górne partie.
Czytaj także: Ostry spór naukowców. AI myśli jak ludzie czy tylko udaje? A może myli się jak człowiek?
Pokonuje wszystkie systemy prognozowania pogody
Dzięki temu GenCast pokonał najlepsze obecnie wykorzystywane systemy prognozowania pogody, w tym uznawany za wzorcowy ENS Europejskiego Centrum Średnioterminowych Prognoz Pogody (ECMWF). Osiągnął lepsze wyniki w 97,2 proc. z 1320 testów, które obejmowały przewidywanie różnych parametrów atmosferycznych (jak temperatura, wilgotność czy prędkość wiatru) na różnych wysokościach i w różnych przedziałach czasowych. A mówiąc prościej: niezależnie od tego, co, gdzie i jak daleko w przyszłość prognozowano, sztuczna inteligencja prawie zawsze radziła sobie lepiej niż dotychczasowe systemy komputerowe. Przewaga GenCast nad ENS była szczególnie widoczna w prognozach na 3–5 dni do przodu. Nowy model wykazał się też większą skutecznością w przewidywaniu ekstremalnych zjawisk, np. tras cyklonów tropikalnych.
Innym obszarem, gdzie również górował, było prognozowanie produkcji energii z turbin wiatrowych. W testach przeprowadzonych na danych z ponad 5,3 tys. farm wiatrowych na całym świecie model osiągał ok. 20 proc. lepsze wyniki niż ENS dla prognoz do 2 dni naprzód. To odkrycie ma duże znaczenie dla rozwoju energetyki odnawialnej, gdyż operator systemu energetycznego może dokładniej przewidzieć, ile prądu wytworzą wiatraki w najbliższych dniach, i dzięki temu lepiej zaplanować pracę całej sieci. Zmniejsza to m.in. potrzebę utrzymywania w gotowości elektrowni konwencjonalnych jako rezerwy na wypadek niedoboru energii z wiatru. W rezultacie sieć może działać efektywniej, taniej i z mniejszym obciążeniem dla środowiska.
GenCast nie jest jednak pozbawiony ograniczeń. Działa w rozdzielczości 0,25 stopnia geograficznego, podczas gdy najnowsze wersje ENS osiągają rozdzielczość 0,1 stopnia. Oznacza to, że GenCast dzieli powierzchnię Ziemi na „komórki” (kwadratowe pola) o boku równym 0,25 stopnia szerokości i długości geograficznej, czyli ok. 28 na 28 km (rzeczywiste wymiary zmieniają się wraz z szerokością geograficzną). Jest istotne, bo wyższa rozdzielczość pozwala na dokładniejsze modelowanie zjawisk pogodowych o mniejszej skali, takich jak lokalne burze czy opady. Dlatego jednym z planowanych ulepszeń jest poprawa rozdzielczości modelu.
Czytaj także: Zbliżamy się do wielkiego skoku technologii. Skoro jest tak dobrze, to dlaczego jest tak źle?
Koniec z niepewnością w prognozowaniu pogody?
A czym różni się od starszej wersji, czyli GraphCast? Główna innowacja to wprowadzenie tzw. modelu dyfuzyjnego (diffusion model), który pozwala na generowanie prognoz probabilistycznych. To zasadnicza zmiana w porównaniu z GraphCast, który tworzył tylko jedną, deterministyczną prognozę pogody. Natomiast nowy model potrafi przewidzieć nie tylko najbardziej prawdopodobny scenariusz, ale także zakres możliwych wariantów rozwoju sytuacji pogodowej. To niezwykle istotne w przypadku prognozowania ekstremalnych zjawisk.
Warto także zaznaczyć, że GenCast zachował kluczową zaletę poprzednika – szybkość działania. Generowanie 15-dniowej prognozy zajmuje mu zaledwie 8 min pracy na pojedynczym procesorze komputerowym, co stanowi wręcz rewolucyjną poprawę w porównaniu z tradycyjnymi metodami numerycznymi, wymagającymi wielu godzin obliczeń przeprowadzanych na potężnych superkomputerach.
Postęp między dwoma programami AI opracowanymi przez DeepMind pokazuje, jak szybko rozwija się dziedzina prognozowania pogody z wykorzystaniem sztucznej inteligencji. W ciągu zaledwie roku udało się stworzyć model jeszcze lepiej radzący sobie z niepewnością, która jest nieodłącznie związana z przewidywaniem zjawisk atmosferycznych.