AI-weermodel gebruikt 7.000 keer minder stroom dan traditionele modellen

Weersvoorspelling is een van de cruciale taken die onze meest krachtige computers uitvoeren. Het vereist miljoenen berekeningen en enorme machines die vergelijkingen oplossen, die helpen bij het voorspellen van omstandigheden zoals temperatuur, wind en neerslag. Het is ook een essentieel instrument voor het voorspellen van grote weersgebeurtenissen, die hele regio’s en economieën kunnen verstoren.

Het veld van weersvoorspelling verbetert snel naarmate onze technologie evolueert, waardoor het meer accuraat en efficiënt wordt. Nieuw onderzoek van een samenwerking tussen de Universiteit van Washington en Microsoft (MSFT ) Research toont aan hoe kunstmatige intelligentie (AI) kan worden gebruikt voor deze voorspellingen. De nieuwe technologie analyseert historische weerspatronen om toekomstige gebeurtenissen te voorspellen en doet dit efficiënter dan huidige modellen. Met verdere verbeteringen kan het ook een punt bereiken waarop het veel nauwkeuriger is dan de huidige modellen.

Nieuw wereldwijd weersmodel

Het nieuwe wereldwijde weersmodel gebruikt de afgelopen 40 jaar aan weersgegevens om voorspellingen te doen, wat anders is dan andere modellen die fysieke berekeningen gebruiken. Het nieuwe model is eenvoudig en gebaseerd op gegevens, en het kan weerspatronen simuleren voor een heel jaar, over de hele wereld. Het is zowel sneller als even efficiënt als huidige modellen, wat het bereikt door herhaalde stappen bij elke voorspelling

Het onderzoek werd gepubliceerd in het tijdschrift Journal of Advances in Modeling Earth Systems.

Jonathan Weyn is de hoofdauteur van het onderzoek.

“Machine learning is in wezen een verheven vorm van patroonherkenning,” zei Weyn. “Het ziet een typisch patroon, herkent hoe het meestal evolueert en besluit wat te doen op basis van de voorbeelden die het heeft gezien in de afgelopen 40 jaar aan gegevens.”

Het nieuwe model is momenteel minder nauwkeurig dan de huidige state-of-the-art-modellen, maar door gebaseerd te zijn op AI, gebruikt het 7.000 keer minder rekenkracht om hetzelfde bereik aan voorspellingen te ontwikkelen. Omdat het een kleinere berekeningswerklast heeft, is het sneller.

Ensemble-voorspelling

Met deze verhoogde snelheid zouden voorspellingscentra meerdere modellen met verschillende omstandigheden kunnen uitvoeren. Dit wordt “ensemble-voorspelling” genoemd en wordt gebruikt om voorspellingen te maken over een reeks mogelijke omstandigheden voor een weersgebeurtenis.

Dale Durran is een professor atmosferische wetenschappen aan de UW en auteur van het onderzoek.

“Er zit zoveel meer efficiëntie in deze benadering; dat is wat er zo belangrijk aan is,” zei Durran. “De belofte is dat het ons in staat zou kunnen stellen om te gaan met voorspelbaarheidsproblemen door een model te hebben dat snel genoeg is om zeer grote ensembles uit te voeren.”

Dit project begon toen Rich Caruana van Microsoft Research, die medeauteur van het artikel is, voorstelde om AI te gebruiken voor weersvoorspellingen op basis van historische gegevens. Dit betekende dat fysieke wetten niet langer nodig waren om dergelijke voorspellingen te doen.

“Na training op historische weersgegevens is de AI-algoritme in staat om relaties tussen verschillende variabelen te vinden die fysieke vergelijkingen niet kunnen doen,” zei Weyn. “We kunnen het ons veroorloven om veel minder variabelen te gebruiken en dus een model te maken dat veel sneller is.”

Het model werd getest door een standaardvariabele in weersvoorspellingen te voorspellen. Het maakte voorspellingen elke 12 uur voor een heel jaar, en het nieuwe model was een van de top-presteerders volgens WeatherBench, dat een benchmarktest is voor gegevensgestuurde weersvoorspellingen.

De onderzoekers moeten het model blijven afstemmen als het naast of in plaats van bestaande modellen gebruikt moet worden. De auteurs geloven dat dit een alternatief kan zijn voor het genereren van weersvoorspellingen in de toekomst.