Основанная на искусственном интеллекте модель предсказания погоды GraphCast впервые превзошла в точности существующие системы прогнозов. GraphCast разработан группой ученых из Google DeepMind. В отличие от традиционных методов, модель GraphCast работает на основе машинного обучения с использованием исторических данных, в которых она может находить неочевидные закономерности. Благодаря этому ее прогнозы оказываются точнее. В своем исследовании, опубликованном в журнале Science, группа ученых называет результат сравнения GraphCast c традиционными моделями «поворотным моментом» в прогнозировании ураганов, циклонов и экстремальных температур.

Одной из наиболее точных систем предсказания погоды в мире считается система High RESolution forecast (HRES), которую использует Европейский центр среднесрочных прогнозов погоды (ЕЦСПП). 

Эта система, как и все остальные традиционные модели предсказания погоды в мире, использует так называемый «численный прогноз». По сути он представляет собой решение множества уравнений, содержащих различные метеорологические данные, с помощью суперкомпьютеров. При этом, как отмечают ученые, с годами точность прогнозов возросла до такой степени, что траекторию урагана можно предсказать за много дней, что было немыслимо еще несколько десятилетий назад.

Однако такой подход имеет свои недостатки: во-первых, он требует очень больших вычислительных ресурсов. Во-вторых, он ограничен теми закономерностями, которые метеорологи изучают и осознанно добавляют в модель в виде дополнительных уравнений и их уточнений. Обучаться на исторических данных сама по себе такая модель не может — для этого ей нужен «переводчик» в виде исследователя.

В последние годы альтернативой этому подходу стало машинное обучение, которое использует исторические данные и самостоятельно строит прогноз только на основе многолетней статистики, без учета «физики» поведения атмосферы.

Развитием именно такого подхода стала разработанная учеными модель под названием GraphCast. Она создает точный 10-дневный прогноз менее чем за минуту на одном устройстве Google Cloud TPU v4 — то есть тратит на несколько порядков меньше вычислительных данных, чем существующие суперкомпьютерные системы. В качестве исходных данных для прогноза модель берет два состояния погоды на Земле — в текущем времени и шесть часов назад, собранные ЕЦСПП на основе глобальных метеорологических наблюдений.

Результаты GraphCast ученые сравнивали с прогнозами системы HRES, которую использует ЕЦСПП, по ряду показателей, включая температуру, давление, скорость и направление ветра, а также влажность на разных уровнях атмосферы. GraphCast превзошел HRES по 90,3% показателям из 1380.

Кроме того, ученые тестировали способности GraphCast в предсказании явлений, прогнозированию которых он не был специально обучен — тропических циклонов, атмосферных рек (это узкие зоны высокой концентрации водяного пара в атмосфере) и экстремальных температур.

В качестве примера успешного прогноза ученые приводят ураган «Ли», пришедший в Канаду в сентябре 2023. По словам ведущего автора статьи Реми Лама, GraphCast смог предсказать, что «Ли» выйдет на берег в Новой Шотландии за девять дней до того, как это произошло — по сравнению с шестью днями для традиционных подходов. «Это дало людям еще три дня, чтобы подготовиться к его прибытию», — сказал Лам журналистам газеты Financial Times.

Однако, как отмечает FT, с предсказанием усиления урагана «Отис» у тихоокеанского побережья Мексики в конце октября искусственный интеллект справился не лучше традиционных моделей.

Еще одним преимуществом моделей на основе искусственного интеллекта ученые называют стоимость их улучшений — повышать эффективность их работы можно за счет использования современного оборудования глубокого обучения (это один из видов машинного обучения), а не суперкомпьютеров. 

По словам координатора машинного обучения ЕЦСПП Мэтью Чантри, после обучения GraphCast будет «чрезвычайно дешев в эксплуатации». «Мы можем говорить о том, что он будет примерно в тысячу раз дешевле с точки зрения энергопотребления», — считает Чантри.

При этом модели, использующие машинное обучение, критически зависят от качества и объема данных, источником которых в этом случае служит архив традиционных «численных» прогнозов. Поэтому, как отмечают ученые, GraphCast следует рассматривать не как замену традиционных методов, а как свидетельство того, что модели на основе машинного обучения способны решать проблемы реального прогнозирования.

Сами ученые называют результаты своих исследований «поворотным моментом» в прогнозировании погоды.