این شرکت می گوید که مدل هوش مصنوعی آن از یک سیستم پیش بینی سنتی بهتر عمل کرده است. در ادامه همراه ریست باشید

GenCast، یک مدل هوش مصنوعی جدید از Google DeepMind، به اندازه کافی دقیق است تا با پیش بینی آب و هوای سنتی رقابت کند. طبق تحقیقاتی که اخیراً منتشر شده است، در هنگام آزمایش بر روی داده‌های سال 2019 موفق شد از یک مدل پیش‌بینی پیشرو بهتر عمل کند.

هوش مصنوعی قرار نیست به این زودی جایگزین پیش بینی های سنتی شود، اما می تواند به زرادخانه ابزارهای مورد استفاده برای پیش بینی آب و هوا و هشدار به مردم در مورد طوفان های شدید بیفزاید. GenCast یکی از چندین مدل پیش‌بینی آب و هوا با هوش مصنوعی است که ممکن است منجر به پیش‌بینی‌های دقیق‌تر شود.

ایلان پرایس، دانشمند تحقیقاتی ارشد در DeepMind می گوید: «آب و هوا اساساً همه جنبه های زندگی ما را تحت تأثیر قرار می دهد … همچنین یکی از چالش های بزرگ علمی، پیش بینی آب و هوا است. «Google DeepMind ماموریتی برای پیشرفت هوش مصنوعی به نفع بشریت دارد. و من فکر می کنم که این یک راه مهم، یک سهم مهم در آن جبهه است.»

پرایس و همکارانش GenCast را با سیستم ENS آزمایش کردند، یکی از مدل‌های سطح بالا در جهان برای پیش‌بینی که توسط مرکز اروپایی پیش‌بینی‌های هوای متوسط ​​(ECMWF) اجرا می‌شود. بر اساس تحقیقی که این هفته در مجله Nature منتشر شد، GenCast 97.2 درصد از مواقع ENS بهتر عمل کرد.

GenCast یک مدل پیش‌بینی آب‌وهوای یادگیری ماشینی است که بر روی داده‌های آب و هوا از سال 1979 تا 2018 آموزش دیده است. این مدل یاد می‌گیرد الگوها را در چهار دهه داده‌های تاریخی تشخیص دهد و از آن برای پیش‌بینی در مورد آنچه ممکن است در آینده رخ دهد استفاده می‌کند. این با نحوه کار مدل‌های سنتی مانند ENS که هنوز برای حل معادلات پیچیده برای شبیه‌سازی فیزیک جو به ابررایانه‌ها متکی هستند، بسیار متفاوت است. هم GenCast و هم ENS پیش‌بینی‌های گروهی را تولید می‌کنند که طیف وسیعی از سناریوهای ممکن را ارائه می‌دهند.

برای مثال، زمانی که نوبت به پیش‌بینی مسیر یک طوفان گرمسیری می‌رسد، GenCast توانست به طور متوسط ​​12 ساعت دیگر هشدار قبلی بدهد. GenCast به طور کلی در پیش بینی مسیرهای طوفان، آب و هوای شدید و تولید نیروی باد تا 15 روز قبل بهتر بود.

یکی از اخطارها این است که GenCast خود را در برابر نسخه قدیمی ENS آزمایش کرد که اکنون با وضوح بالاتری کار می کند. این تحقیق بررسی شده پیش‌بینی‌های GenCast را با پیش‌بینی‌های ENS برای سال 2019 مقایسه می‌کند و می‌بیند که هر مدل در آن سال چقدر به شرایط دنیای واقعی نزدیک شده است. به گفته مت چانتی، هماهنگ کننده یادگیری ماشین ECMWF، سیستم ENS از سال 2019 به طور قابل توجهی بهبود یافته است. این امر بیان اینکه GenCast امروز در برابر ENS چقدر خوب عمل می کند دشوار است.

مطمئناً، وضوح تنها عامل مهم در انجام پیش‌بینی‌های قوی نیست. ENS قبلاً با وضوح کمی بالاتر از GenCast در سال 2019 کار می کرد و GenCast همچنان توانست آن را شکست دهد. DeepMind می‌گوید که مطالعات مشابهی را روی داده‌های سال‌های 2020 تا 2022 انجام داده است و نتایج مشابهی پیدا کرده است، اگرچه مورد بررسی قرار نگرفته است. اما اطلاعات لازم برای مقایسه برای سال 2023 را نداشت، زمانی که ENS شروع به کار با وضوح بسیار بالاتری کرد.

با تقسیم جهان به یک شبکه، GenCast با وضوح 0.25 درجه کار می کند – به این معنی که هر مربع در آن شبکه یک چهارم درجه عرض جغرافیایی به یک چهارم درجه طول جغرافیایی است. در مقایسه، ENS در سال 2019 از وضوح 0.2 درجه استفاده کرد و اکنون در وضوح 0.1 درجه است.

چانتری در بیانیه ای ایمیلی گفت، با این وجود، توسعه GenCast “یک نقطه عطف مهم در تکامل پیش بینی آب و هوا است.” در کنار ENS، ECMWF می‌گوید که نسخه خود را از سیستم یادگیری ماشینی نیز اجرا می‌کند. Chantry می گوید که “از GenCast الهام گرفته است.”

سرعت یک مزیت برای GenCast است. این می تواند یک پیش بینی 15 روزه را تنها در هشت دقیقه با استفاده از یک Google Cloud TPU v5 ایجاد کند. مدل‌های مبتنی بر فیزیک مانند ENS ممکن است چندین ساعت برای انجام همین کار نیاز داشته باشند. GenCast تمام معادلاتی را که ENS باید حل کند دور می زند، به همین دلیل است که زمان و قدرت محاسباتی کمتری برای ایجاد یک پیش بینی صرف می شود.

پرایس می‌گوید: «از لحاظ محاسباتی، اجرای پیش‌بینی‌های سنتی در مقایسه با مدلی مانند Gencast گران‌تر است.

این کارآیی ممکن است برخی از نگرانی‌های مربوط به تأثیرات زیست‌محیطی مراکز داده هوش مصنوعی تشنه انرژی را که قبلاً به افزایش انتشار گازهای گلخانه‌ای گوگل در سال‌های اخیر کمک کرده‌اند، کاهش دهد. اما به سختی می توان متوجه شد که GenCast چگونه با مدل های مبتنی بر فیزیک در مورد پایداری مقایسه می شود، بدون اینکه بدانیم چه مقدار انرژی برای آموزش مدل یادگیری ماشین مصرف می شود.

هنوز هم پیشرفت‌هایی وجود دارد که GenCast می‌تواند انجام دهد، از جمله افزایش بالقوه تا وضوح بالاتر. علاوه بر این، GenCast در مقایسه با مدل‌های سنتی که معمولاً در فواصل زمانی کوتاه‌تر این کار را انجام می‌دهند، پیش‌بینی‌ها را در فواصل ۱۲ ساعته ارائه می‌کند. این می تواند تفاوتی در نحوه استفاده از این پیش بینی ها در دنیای واقعی ایجاد کند (مثلاً برای ارزیابی میزان نیروی باد در دسترس).

استفان مولنز، استادیار آموزشی هواشناسی در دانشگاه فلوریدا که در تحقیقات GenCast شرکت نداشت، می‌گوید: «شما می‌خواهید بدانید که باد در طول روز چه می‌کند، نه فقط در ساعت 6 صبح و 6 بعد از ظهر.

در حالی که علاقه فزاینده ای به نحوه استفاده از هوش مصنوعی برای بهبود پیش بینی ها وجود دارد، هنوز باید خود را ثابت کند. «مردم به آن نگاه می کنند. من فکر نمی کنم که جامعه هواشناسی به طور کلی بر روی آن خرید و فروش شود.» “ما دانشمندان آموزش دیده ای هستیم که از نظر فیزیک فکر می کنیم… و چون هوش مصنوعی اساساً اینطور نیست، پس هنوز عنصری وجود دارد که به نوعی سر خود را دور خود می بندیم، آیا این خوب است؟ و چرا؟»

پیش بینی ها می توانند GenCast را برای خود بررسی کنند. DeepMind کد مدل منبع باز خود را منتشر کرد. پرایس می‌گوید که GenCast و مدل‌های پیشرفته‌تر هوش مصنوعی را می‌بیند که در دنیای واقعی در کنار مدل‌های سنتی استفاده می‌شوند. پرایس می‌گوید: «هنگامی که این مدل‌ها به دست پزشکان برسد، اعتماد و اطمینان بیشتری ایجاد می‌کند. ما واقعاً می خواهیم که این یک نوع تأثیر اجتماعی گسترده داشته باشد.»

منبع :‌ theverge.com