AI-vejrmodel bruger 7.000 gange mindre strøm end traditionelle modeller

Vejrforsking er en af de kritiske opgaver, som vores kraftigste computere udfører. Det kræver millioner af beregninger og massive maskiner, der løser ligninger, som hjælper med at forudsige forhold som temperatur, vind og nedbør. Det er også et væsentligt værktøj til at forudsige store vejrrelaterede begivenheder, som kan afbryde hele regioner og økonomier.

Vejrforskningsfeltet fortsætter med at forbedre sig hurtigt, efterhånden som vores teknologi udvikler sig, og bliver mere præcis og effektiv. Nyt arbejde, der stammer fra et samarbejde mellem University of Washington og Microsoft Research, demonstrerer, hvordan kunstig intelligens (AI) kan bruges til disse præcise forudsigelser. Den nye teknologi analyserer tidligere vejrpatroner for at forudsige fremtidige begivenheder, og den gør det mere effektivt end nuværende modeller. Med flere fremskridt kunne det også nå et punkt, hvor det er langt mere præcist end i dagens modeller.

Nyt globalt vejrmønster

Det nye globale vejrmønster bruger de sidste 40 års vejrdata til at lave sine forudsigelser, hvilket er anderledes end andre, der bruger fysikberegnninger. Det nye mønster er simpelt og data-baseret, og det kan simulere vejrmønstre for et helt år, og det kan anvendes over hele verden. Det er både hurtigere og lige så effektivt som nuværende modeller, hvilket det opnår gennem gentagne trin med hver forudsigelse.

Forskningen blev publiceret i Journal of Advances in Modeling Earth Systems.

Jonathan Weyn er hovedforfatter på forskningen.

“Maskinlæring er essentielt en glorificeret version af mønstergenkendelse,” sagde Weyn. “Den ser et typisk mønster, genkender, hvordan det normalt udvikler sig, og beslutter, hvad der skal gøres, baseret på de eksempler, den har set i de sidste 40 års data.”

Det nye mønster er i øjeblikket mindre præcist end i dagens mest avancerede modeller, men ved at være baseret på AI, bruger det 7.000 gange mindre computerkraft til at udvikle samme række af forudsigelser. Fordi det har en mindre beregningsmæssig arbejdsbyrde, er det hurtigere.

Ensemble-forudsigelse

Med denne øgede hastighed ville vejrforskningscentre kunne køre multiple modeller med forskellige betingelser. Dette kaldes “ensemble-forudsigelse”, og det bruges til at lave forudsigelser på en række mulige betingelser for en vejrbegivenhed.

Dale Durran er en UW-professor i atmosfæriske videnskaber og en medforfatter på forskningen.

“Der er så meget mere effektivitet i denne tilgang; det er det, der er så vigtigt om det,” sagde Durran. “Løftet er, at det kunne tillade os at tackle forudsigelighedsproblemer ved at have en model, der er hurtig nok til at køre meget store ensembler.”

Dette projekt startede, da Rich Caruana på Microsoft Research, der er en medforfatter på papiret, foreslog at bruge AI til vejrforsking baseret på historiske data. Dette betød, at fysiklove ikke længere behøvede at bruges til at lave sådanne forudsigelser.

“Efter træning på tidligere vejrdata er AI-algoritmen i stand til at komme med relationer mellem forskellige variable, som fysikligninger ikke kan,” sagde Weyn. “Vi kan tillade os at bruge langt færre variable og derfor lave en model, der er meget hurtigere.”

Modellen blev testet ved at forudsige en standardvariabel i vejrforsking. Den lavede forudsigelser hver 12. time i et helt år, og den nye model var en af de bedste performere ifølge WeatherBench, som er en benchmark-test for data-drevne vejrforsking.

Forskerne må fortsætte med at justere modellen, hvis den skal bruges sammen med eller i stedet for eksisterende modeller. Forfatterne mener, at dette kunne være en alternativ måde at generere vejrforsking på i fremtiden.