MI Történik?

A Google DeepMind kutatói kifejlesztették a GraphCastot, egy gráf neurális hálót (Graph Neural Net), amely akár 10 napra előre képes időjárás-előrejelzést készíteni. A tesztek során a GraphCast jelentősen túlszárnyalta az iparági „arany középutat” jelentő időjárás-szimulációs rendszert, a nagyfelbontású előrejelző rendszert (HRES). Bár még nem alkalmazzák széles körben, több meteorológiai ügynökség, köztük az ECMWF is kísérletezik vele, utóbbi már élőben futtatja a modell előrejelzéseit a weboldalán. A GraphCast bemenetként a Föld időjárásának két legutóbbi állapotát használja – a jelenlegi időpontot és a hat órával korábbit –, és ebből jósolja meg a következő hat óra állapotát. A hagyományos numerikus időjárás-előrejelző (NWP) rendszerekhez hasonlóan a GraphCast is autoregresszív: képes a saját jóslatait visszacsatolni bemenetként, így tetszőlegesen hosszú időjárási trajektóriákat generálva. Az időjárás-előrejelzés mellett a GraphCast különösen jónak tűnik a súlyos események, például a trópusi ciklonok útvonalának, a légköri folyóknak és a szélsőséges hőmérsékleteknek a megjósólásában. Figyelemre méltó, hogy a GraphCastot nem kifejezetten súlyos eseményekre képezték ki, hanem a szélesebb körű alapvető tanító adatkészletéből szívta magába az ezekre vonatkozó tudást. A GraphCast jó emlékeztető arra, hogy nem minden AI rendszernek kell észbontóan nagy erőforrásigényűnek lennie; a GraphCast egy gráf neurális hálózatokon alapuló neurális háló, amely összesen 36,7 millió paraméterrel rendelkezik. Az ECMWF ERA5 adatkészletéből származó négy évtizednyi időjárási reanalízis adaton tanították. A GraphCast betanítása körülbelül négy hetet vett igénybe 32 TPU v4 eszközön. Jóslataihoz a GraphCast 5 különálló felszíni változót (pl. hőmérséklet, csapadék), 6 légköri változót (pl. szél, páratartalom) és 37 különböző nyomásszintet modellez. Mivel a GraphCast skálázható rendszeren (neurális hálókon) alapul, a jövőben továbbfejleszthető: „A GraphCast-ra modellcsaládként kell tekinteni, ahol a jelenlegi verzió a legnagyobb, amit a jelenlegi mérnöki korlátok mellett gyakorlatilag meg tudunk valósítani, de amely a jövőben, nagyobb számítási erőforrásokkal és nagyobb felbontású adatokkal sokkal tovább skálázható” – írják a szerzők.