AI Wiedermodell benotzt 7,000 Mol manner Kraaft wéi traditionell Modeller

D'Wiederprevisioun ass eng vun den entscheedende Aufgaben déi eis mächtegst Computeren ënnerhuelen. Et erfuerdert Millioune Berechnungen a massiv Maschinnen déi Equatioune léisen, déi hëllefe Konditioune wéi Temperatur, Wand a Nidderschlag virauszesoen. Et ass och e wichtegt Instrument fir grouss Wiederevenementer virauszesoen, déi ganz Regiounen a Wirtschaft stéieren kënnen.

D'Feld vun der Wiederprevisioun verbessert sech séier wéi eis Technologie sech entwéckelt, méi genau an effizient gëtt. Nei Aarbecht, déi aus enger Zesummenaarbecht tëscht der University of Washington a Microsoft Research staamt, weist wéi kënschtlech Intelligenz (AI) fir dës exakt Prognosen benotzt ka ginn. Déi nei Technologie analyséiert vergaange Wiedermuster fir zukünfteg Eventer virauszesoen, an et mécht dat méi effizient wéi déi aktuell Modeller. Mat méi Fortschrëtter kéint et och e Punkt erreechen wou et vill méi genau ass wéi och haut d'Modeller.

Neie Globale Wiedermodell

Den neie globale Wiedermodell benotzt déi lescht 40 Joer Wiederdaten fir seng Prognosen ze maachen, wat anescht ass wéi anerer déi Physikberechnunge benotzen. Den neie Modell ass einfach an datenbaséiert, an et kann Wiedermuster fir e ganzt Joer simuléieren, a gëtt op der ganzer Welt applizéiert. Et ass souwuel méi séier a grad esou effizient wéi déi aktuell Modeller, déi et duerch widderholl Schrëtt mat all Prognose erreecht

D'Recherche war publizéiertam Journal of Advances in Modeling Earth Systems.

De Jonathan Weyn ass den Haaptautor vun der Fuerschung.

"Maschinn Léieren mécht am Wesentlechen eng glorifizéiert Versioun vun der Mustererkennung," sot de Weyn. "Et gesäit en typescht Muster, erkennt wéi et normalerweis evoluéiert an decidéiert wat ze maachen baséiert op de Beispiller déi se an de leschte 40 Joer Daten gesinn huet."

Den neie Modell ass de Moment manner präzis wéi déi modern modern Modeller vun haut, awer andeems se op AI baséieren, benotzt en 7,000 Mol manner Computerkraaft fir déiselwecht Gamme vu Prognosen z'entwéckelen. Well et eng méi kleng computational Aarbechtslaascht huet, ass et méi séier.

Ensemble Prognosen  

Mat dëser verstäerkter Geschwindegkeet kënnen d'Prognosezentren e puer Modeller mat verschiddene Konditioune lafen. Dëst gëtt "Ensembelprevisioun" genannt, an et gëtt benotzt fir Prognosen iwwer eng Rei vu méigleche Konditioune fir e Wiederevenement ze maachen.

Den Dale Durran ass en UW Professer fir Atmosphärwëssenschaften an en Auteur vun der Fuerschung.

"Et gëtt sou vill méi Effizienz an dëser Approche; dat ass wat sou wichteg ass, "sot den Durran. "D'Versprieche ass datt et eis et erlaabt eis mat Prévisibilitéitsprobleemer ze këmmeren andeems se e Modell hunn dee séier genuch ass fir ganz grouss Ensemblen ze lafen."

Dëse Projet huet ugefaang wéi de Rich Caruana bei Microsoft Research, deen e Co-Autor vum Pabeier ass, proposéiert AI fir Wiederprevisiounen op Basis vun historeschen Donnéeën ze benotzen. Dëst bedeit datt physesch Gesetzer net méi musse vertraut ginn fir sou Prognosen ze maachen.

"Nom Training op vergaang Wiederdaten ass den AI Algorithmus fäeg mat Bezéiungen tëscht verschiddene Variabelen ze kommen, déi d'Physikgleichungen einfach net maache kënnen," sot de Weyn. "Mir kënne sech leeschte vill manner Variablen ze benotzen an dofir e Modell ze maachen dee vill méi séier ass."

De Modell gouf getest andeems Dir eng Standardvariabel an der Wiederprevisioun virausgesot huet. Et huet Prognosen all 12 Stonnen fir e ganzt Joer gemaach, an den neie Modell war ee vun den Top-Performancen laut WeatherBench, wat e Benchmark-Test fir date-driven Wiederprevisiounen ass.

D'Fuerscher mussen de Modell weider ofstëmmen, wann et niewent oder an der Plaz vun existente Modeller benotzt soll ginn. D'Auteuren gleewen datt dëst eng Alternativ wier fir Wiederprevisiounen an Zukunft ze generéieren.