AI-vädermodell använder 7 000 gånger mindre kraft än traditionella modeller

Väderprognoser är en av de viktigaste uppgifterna som våra kraftfullaste datorer utför. Det kräver miljontals beräkningar och stora maskiner som löser ekvationer, vilket hjälper till att förutsäga förhållanden som temperatur, vind och nederbörd. Det är också ett viktigt verktyg för att förutsäga stora väderhändelser, som kan störa hela regioner och ekonomin.

Fältet väderprognoser fortsätter att förbättras snabbt allteftersom vår teknik utvecklas, och blir mer exakt och effektiv. Ny forskning från ett samarbete mellan University of Washington och Microsoft (MSFT ) Research visar hur artificiell intelligens (AI) kan användas för dessa exakta förutsägelser. Den nya tekniken analyserar tidigare vädermönster för att förutsäga framtida händelser, och den gör det mer effektivt än nuvarande modeller. Med fler framsteg kan den också nå en punkt där den är mycket mer exakt än dagens modeller också.

Ny global vädermodell

Den nya globala vädermodellen använder de senaste 40 årens väderdata för att göra sina förutsägelser, vilket skiljer sig från andra modeller som använder fysiska beräkningar. Den nya modellen är enkel och baserad på data, och den kan simulerar vädermönster för ett helt år, och den kan appliceras över hela världen. Den är både snabbare och lika effektiv som nuvarande modeller, vilket den uppnår genom upprepade steg med varje förutsägelse

Forskningen publicerades i Journal of Advances in Modeling Earth Systems.

Jonathan Weyn är huvudförfattare till forskningen.

“Maskinlärning är i princip en glorifierad version av mönsterigenkänning”, sa Weyn. “Den ser ett typiskt mönster, känner igen hur det vanligtvis utvecklas och bestämmer vad man ska göra baserat på exemplen den har sett under de senaste 40 årens data.”

Den nya modellen är för närvarande mindre exakt än dagens mest avancerade modeller, men genom att den baseras på AI, använder den 7 000 gånger mindre datorkraft för att utveckla samma omfattning av förutsägelser. Eftersom den har en mindre beräkningsbörda, är den snabbare.

Ensemble-prognostisering

Med denna ökade hastighet, skulle prognoscenter kunna köra flera modeller med olika förhållanden. Detta kallas “ensemble-prognostisering”, och det används för att göra förutsägelser om ett område av möjliga förhållanden för en väderhändelse.

Dale Durran är professor i atmosfärsvetenskap vid UW och en av författarna till forskningen.

“Det finns så mycket mer effektivitet i detta tillvägagångssätt; det är vad som är så viktigt med det”, sa Durran. “Löftet är att det kunde tillåta oss att hantera förutsägbarhetsproblem genom att ha en modell som är tillräckligt snabb för att köra mycket stora ensembler.”

Detta projekt började när Rich Caruana på Microsoft Research, som är en medförfattare till artikeln, föreslog att använda AI för väderprognoser baserat på historiska data. Detta innebar att fysiska lagar inte längre behövde förlitas för att göra sådana förutsägelser.

“Efter att ha tränat på tidigare väderdata, kan AI-algoritmen komma på förhållanden mellan olika variabler som fysiska ekvationer inte kan göra”, sa Weyn. “Vi kan använda mycket färre variabler och därför skapa en modell som är mycket snabbare.”

Modellen testades genom att förutsäga en standardvariabel i väderprognoser. Den gjorde förutsägelser var 12:e timme under ett helt år, och den nya modellen var en av de bästa enligt WeatherBench, som är en benchmark-test för data-drivna väderprognoser.

Forskarna måste fortsätta att finjustera modellen om den ska användas bredvid eller i stället för befintliga modeller. Författarna tror att detta kunde vara ett alternativ till att generera väderprognoser i framtiden.