AI-værmodell bruker 7 000 ganger mindre kraft enn tradisjonelle modeller

Værprognoser er en av de kritiske oppgavene som våre mest kraftfulle datamaskiner utfører. Det krever millioner av beregninger og massive maskiner som løser ligninger, som hjelper til å forutsi forhold som temperatur, vind og nedbør. Det er også et viktig verktøy for å forutsi store værhendelser, som kan forstyrre hele regioner og økonomier.

Feltet værprognoser fortsetter å forbedre seg raskt ettersom teknologien vår utvikler seg, og blir mer nøyaktig og effektiv. Ny arbeid som stammer fra et samarbeid mellom University of Washington og Microsoft (MSFT ) Research demonstrerer hvordan kunstig intelligens (AI) kan brukes til disse eksakte forutsigelsene. Den nye teknologien analyserer tidligere værmønster for å forutsi fremtidige hendelser, og gjør det mer effektivt enn nåværende modeller. Med mer fremgang kan det også nå et punkt der det er mye mer nøyaktig enn dagens modeller også.

Ny global værmodell

Den nye globale værmodellen bruker de siste 40 års værdata for å gjøre sine forutsigelser, som er forskjellig fra andre som bruker fysikkberegninger. Den nye modellen er enkel og data-basert, og kan simulere værmønster for et helt år, og kan brukes over hele verden. Den er både raskere og like effektiv som nåværende modeller, og oppnår dette gjennom gjentatte steg med hver forutsigelse

Forskningen ble publisert i Journal of Advances in Modeling Earth Systems.

Jonathan Weyn er hovedforfatter av forskningen.

“Maskinlæring er i virkeligheten en forbedret versjon av mønstergjenkjenning,” sa Weyn. “Den ser et typisk mønster, gjenkjenner hvordan det vanligvis utvikler seg og bestemmer hva den skal gjøre basert på eksemplene den har sett i de siste 40 års data.”

Den nye modellen er for øyeblikket mindre nøyaktig enn dagens beste modeller, men ved å være basert på AI, bruker den 7 000 ganger mindre datamaskinkraft for å utvikle samme rekke forutsigelser. Fordi den har en mindre beregningsbelastning, er den raskere.

Ensemble-forutsigelse  

Med denne økte hastigheten kunne værprognosesenterene kjøre flere modeller med forskjellige forhold. Dette kalles “ensemble-forutsigelse”, og brukes til å gjøre forutsigelser om en rekke mulige forhold for en værhendelse.

Dale Durran er en UW-professor i atmosfæriske vitenskaper og en forfatter av forskningen.

“Det er så mye mer effektivitet i denne tilnærmingen; det er det som er så viktig med det,” sa Durran. “Løftet er at det kunne tillate oss å håndtere forutsigbarhetsproblemer ved å ha en modell som er rask nok til å kjøre svært store ensembler.”

Dette prosjektet begynte da Rich Caruana ved Microsoft Research, som er en medforfatter av artikkelen, foreslo å bruke AI for værforutsigelser basert på historiske data. Dette betød at fysikkllovene ikke lenger trengte å pålitte for å gjøre slike forutsigelser.

“Etter å ha blitt trent på tidligere værdata, er AI-algoritmen i stand til å komme opp med relasjoner mellom forskjellige variabler som fysikkligninger bare ikke kan gjøre,” sa Weyn. “Vi kan tillate oss å bruke langt færre variabler og derfor lage en modell som er mye raskere.”

Modellen ble testet ved å forutsi en standardvariabel i værprognoser. Den gjorde forutsigelser hver 12. time i ett helt år, og den nye modellen var en av de beste utførerne ifølge WeatherBench, som er en benchmark-test for data-drevne værforutsigelser.

Forskerne må fortsette å finjustere modellen hvis den skal brukes sammen med eller i stedet for eksisterende modeller. Forfatterne tror at dette kunne være et alternativ til å generere værprognoser i fremtiden.