AI-vejret model bruger 7.000 gange mindre strøm end traditionelle modeller

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

Vejrforudsigelsens felt 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 (MSFT ) Research, demonstrerer, hvordan kunstig intelligens (AI) kan bruges til disse præcise forudsigelser. Den nye teknologi analyserer tidligere vejrmodeller 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 vejrmodell

Det nye globale vejrmodell bruger de sidste 40 års vejrdata til at lave sine forudsigelser, hvilket adskiller sig fra andre modeller, der bruger fysikberegnninger. Det nye modell er simpelt og data-baseret, og det kan simulere vejrmodeller for hele året, og det kan anvendes over hele verden. Det er både hurtigere og lige så effektivt som nuværende modeller, hvilket opnås gennem gentagne trin med hver forudsigelse.

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

Jonathan Weyn er hovedforfatter af forskningen.

“Maskinlæring er i virkeligheden en glorificeret version af mønstergenkendelse,” sagde Weyn. “Det ser et typisk mønster, genkender, hvordan det normalt udvikler sig, og beslutter, hvad at gøre, baseret på de eksempler, det har set i de sidste 40 års data.”

Det nye modell er i øjeblikket mindre præcist end 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 forudsigelsescentre kunne køre multiple modeller med forskellige betingelser. Dette kaldes “ensemble-forudsigelse”, og det bruges til at lave forudsigelser om en række mulige betingelser for en vejrrelateret begivenhed.

Dale Durran er en UW-professor i atmosfæriske videnskaber og en af forfatterne af 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.”

Detne projekt startede, da Rich Caruana fra Microsoft Research, der er medforfatter af artiklen, foreslog at bruge AI til vejrforudsigelser baseret på historiske data. Dette betød, at fysiklove ikke længere behøvede at stole på for 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 nøjes med at bruge langt færre variable og derfor lave en model, der er langt hurtigere.”

Modellen blev testet ved at forudsige en standardvariabel i vejrforudsigelse. 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 vejrforudsigelser.

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 vejrforudsigelser i fremtiden.