A Google DeepMind GraphCast modellje felülmúlja az iparági szabványokat a globális időjárás-előrejelzésben
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.
- Pontossági tesztekben felülmúlja az iparági standardnak számító HRES rendszert.
- Két korábbi időjárási állapotot (a jelenlegit és a hat órával ezelőttit) igényel a jövőbeli állapotok megjósolásához.
- Autoregresszív módon működik, lehetővé téve időjárási trajektóriák generálását tetszőlegesen hosszú időszakokra.
- Magas szintű jártasságot mutat a súlyos események, például ciklonok és szélsőséges hőmérsékletek előrejelzésében, anélkül, hogy kifejezetten ezekre tanították volna.
- 36,7 millió paramétert tartalmaz, ami viszonylag kicsi a tipikus nagyméretű AI modellekhez képest.
- Az ECMWF ERA5 adatkészletéből származó 40 évnyi időjárási reanalízis adaton tanították.
A modern AI rendszerek alapvetően tetszőlegesen jó predikciós motorok. Az időjárásban az a nagyszerű, hogy az emberiség évezredek óta rögzíti az időjárást az egész bolygón, egyre kifinomultabb eszközökkel és egyre részletesebben, ami ezt a hatalmas adatkészletet különösen alkalmassá teszi AI rendszerek tanítására. A jövőben arra számíthatunk, hogy bármi, ami hasonlít az időjáráshoz, olyan terület lesz, ahol hatékony AI predikciós rendszerek fejleszthetők.