Надёжное прогнозирование климатической системы Земли имеет важное значение для смягчения последствий стихийных бедствий и поддержки прогресса человечества. Традиционные численные модели, хотя и мощные, чрезвычайно затратны в вычислительном отношении — задействуют значительные ресурсы высокопроизводительных серверов в дата-центре. Прогнозирование погоды становится дешевле и точнее. Новая прогнозная система, работающая под управлением искусственного интеллекта, которую создатели назвали «Aurora», использует машинное обучение, чтобы превзойти текущие системы гидрометеорологических служб. Эта прогностическая модель превосходит оперативные прогнозы в оценке качества воздуха, движения воздушных масс, океанских течений, траекторий тропических циклонов и других явлений. Аналитика производится с высокой точностью, и всё это делается при гораздо меньших вычислительных затратах. Благодаря возможности тонкой настройки для различных приложений, Aurora представляет собой заметный шаг к демократизации точных и эффективных прогнозов климатических явлений в масштабах всей планеты.
Традиционные службы прогнозирования погодных условий не только обеспечивают важные ранние предупреждения об экстремальных событиях, но и важны для различных применений, от сельского хозяйства до здравоохранения и глобальной торговли. Обычные системы предсказания погоды до нынешнего времени не использовали машинное обучение. Их принцип действия основывался на моделировании погодных условий, исходя из решений сложных математических уравнений и физических факторов.
Благодаря новым технологиям, профильные службы могут гораздо точнее определять траектории следования тропических циклонов, а также погодные условия в небольших локациях городов и поселков. Формироваться и корректироваться такие представления теперь могут за считанные секунды. Они опираются на сложные модели, разработанные с использованием столетий накопленных физических знаний. Несмотря на свою жизненно важную роль, существующие системы сталкиваются с рядом ограничений — они требовательны к вычислительным ресурсам, часто требуют специально созданных суперкомпьютеров и выделенных инженерных групп для обслуживания. Их сложность, накопленная за годы разработки большими группами, затрудняет быстрые улучшения, требуя значительного времени и опыта для эффективного управления. Наконец, модели прогнозирования включают различные апроксимации, например, для процессов в масштабе подсети, что ограничивает точность. Эти проблемы открывают двери для альтернативных подходов, которые могут обеспечить повышенную производительность.
Машинное обучение предоставляет привлекательный инструментарий для решения этих проблем. Достижения во многих областях показали, что сложные прогностические системы могут быть оптимизированы с помощью моделей машинного обучения, которые обеспечивают превосходные результаты. Эта концепция появилась в науках о Земле ещё в 1990-х годах, когда были проведены новаторские работы по нейронным сетям, применяемым для решения различных задач определения состояния Земли. Однако эти ранние модели не могли масштабироваться для замены полноценных динамических систем. В 2023 году прорыв произошёл с Pangu-Weather2, где нейронная сеть заменила численное решение, превзойдя современные системы и вызвав бум в создании новых моделей, работающих на искусственном интеллекте. Эти достижения были в основном сосредоточены на глобальном среднесрочном прогнозировании погоды с точностью до 0,25°C, оставляя существенные пробелы в других важных областях, включая динамику океана, моделирование изменения океанских течений, приливов-отливов, штормовых предупреждений с определением высоты волн и химический состав атмосферы. Кроме того, потенциал машинного обучения оказался весьма эффективен для сложных систем прогнозирования экстремальных погодных условий, которые в настоящее время полагаются на человеческий анализ широкого спектра моделей. Но все возможности применения новых технологий в этой области изучения, остаются недостаточно изученными.
Ввиду изменения климата различные стихийные явления, вызванные погодными условиями, становятся всё чаще. Но создание достаточно точной, но хаотичной системы, как климатические условия различных регионов Земли, — дело чрезвычайно непростое. В качестве наглядного примера можно привести случай с неправильными официальными прогнозами о траектории движения тайфуна Доксури за несколько дней его прихода на Филиппины. Климатические службы, даже за несколько часов до того, как непогода обрушилась на густонаселённые кварталы, не успели сделать предупреждения. Множество людей серьёзно пострадали в результате значительного подъёма воды, грязевых селей и оползней, а также сопутсвующих несчастных случаев. И только нейросеть, следуя своему разработанному тестовому сценарию, смогла предсказать наступление катастрофы ещё за несколько дней до происшествия. Более того, искусственным разумом была правильно рассчитана и траектория движения эпицентра тайфуна. Такая точность прогноза смогла осуществиться, благодаря точной юстировке системы, а также предшествующей информации о циклонах предыдущих лет. Для штормов в Северной Атлантике и Восточной части Тихого океана, искусственный интеллект предсказывает наступление стихии на 20–25 процентов точнее официальных служб. Кроме того, это происходит с опережением по времени, от двух до пяти дней. В частности, уже сейчас Aurora обеспечивает самые современные результаты в следующих важнейших областях прогнозирования:
— пятидневные глобальные прогнозы погодных условий, температуры воздуха, осадков и движения воздушных масс превосходят ресурсоёмкие численные расчёты движений атмосферного фронта в 74% случаев;
— десятидневные прогнозы океанских течений и высоты волн в отдельных локациях, более точны по 86% показателей, чем дорогостоящие численные модели;
— раннее определение траектории тропических циклонов, превосходят результаты семи оперативных центров прогнозирования по 100% показателям, а также улучшают показатели при экстремальных явлениях.
Опираясь на опыт многочисленных случаев прихода разрушительных ураганов, цунами и тайфунов, становится очевидно, что оповещения даже за несколько часов достаточно, чтобы спасти множество жизней. Базовая модель в системах искусственного интеллекта — сродни выпускнику ВУЗа — именно такой и является нынешняя инновационная разработка в начальной итерации. «Свежеиспечённый выпускник» уже приобрёл много знаний, но с дополнительными профессиональными навыками он способен более эффективно выполнять целевые работы повышенной сложности. По такой же аналогии, если снабжать базовую модель новой информацией разного типа, запускает процесс тонкой настройки. Так нейросеть учится выполнять различные виды специализированных задач. Главное правильно изначально подобрать нужные массивы исторических данных, чтобы система могла изучить универсальное представление о динамике изменений, которая управляет атмосферными и океаническими потоками, а также, связанными с этим, процессами второго порядка.
Поскольку такие модели, часто можно запустить на обычном десктопе или домашнем сервере — то для них не требуется мощная вычислительная подсеть множества объединённых дорогостоящих серверов. Они могут сделать более доступной возможности предсказания погоды даже для небольших населённых пунктов, которые не могут позволить себе запускать собственные физические симуляции. А ввиду того, что алгоритмы базовой модели можно донастраивать, то этот функционал может нести в себе огромный потенциал для любого вида прогнозирования погодных явлений. Тем более, что разработчики уже начали создание дополнительных шаблонов настроек этой системы для прогнозирования изменений морского льда, наводнений, лесных пожаров и многого другого.
