پیشبینی هوش مصنوعی Google DeepMind از مدل استاندارد طلایی بهتر عمل میکند.
پیشبینیهای آب و هوای 10 روزه GraphCast نشان میدهد که هواشناسی چگونه از هوش مصنوعی و یادگیری ماشین سود میبرد.
هیچکس نمیتواند به طور کامل پیشبینی کند که صنعت هوش مصنوعی همه را به کجا میبرد، اما حداقل هوش مصنوعی آماده است تا با اطمینان به شما بگوید که وقتی به آنجا برسید، هوا چگونه خواهد بود!
بر اساس مقاله ای که در 14 نوامبر در Science منتشر شده است، یک برنامه پیش بینی آب و هوای 10 روزه مبتنی بر هوش مصنوعی به نام GraphCast تقریباً هر بار از ابزارهای پیش بینی موجود بهتر عمل می کند.
فناوری منبع باز حتی برای شناسایی و ترسیم رویدادهای آب و هوایی خطرناک بالقوه نویدبخش است - همه اینها در حالی است که از کسری از قدرت محاسباتی سیستم استاندارد طلایی استفاده می کند.
رمی لام عضو تیم GraphCast روز سه شنبه در بیانیه ای گفت: پیش بینی آب و هوا یکی از قدیمی ترین و چالش برانگیزترین تلاش های علمی است و پیشبینیهای دامنه متوسط برای حمایت از تصمیمگیری کلیدی در بخشها، از انرژیهای تجدیدپذیر گرفته تا لجستیک رویداد مهم هستند، اما انجام دقیق و کارآمد دشوار است.
GraphCast که توسط Lam و همکارانش در Google DeepMind، بخش تحقیقات هوش مصنوعی این شرکت فناوری توسعه یافته است و بر روی چندین دهه اطلاعات آب و هوای تاریخی در کنار تقریباً 40 سال ماهواره، ایستگاه هواشناسی و تحلیل مجدد راداری آموزش دیده است.
این در تضاد شدید با مدلهای پیشبینی عددی آب و هوا (NWP) است که به طور سنتی از مقادیر عظیمی از دادههای مربوط به ترمودینامیک، دینامیک سیالات و سایر علوم جوی استفاده میکنند.
همه این داده ها به قدرت محاسباتی شدیدی نیاز دارند، که خود به انرژی بسیار و پرهزینه نیاز دارد تا همه آن اعداد را خُرد کند.
علاوه بر همه اینها NWP ها کند هستند، ساعت ها طول می کشد تا صدها ماشین در یک ابرکامپیوتر پیش بینی های 10 روزه خود را تولید کنند.
در همین حال، GraphCast پیشبینیهای آب و هوایی بسیار دقیق و متوسط را در کمتر از یک دقیقه ارائه میکند، همه اینها تنها از طریق یکی از دستگاههای پردازشگر تانسور یادگیری ماشینی (TPU) گوگل با هوش مصنوعی.
هنگامی که محدوده را فقط به تروپوسفر زمین محدود میکند، پایینترین قسمت جو که محل قابل توجهترین رویدادهای آب و هوایی است، GraphCast در 99.7 درصد از متغیرهای آزمایشی HRES را شکست داد.
تیم Google DeepMind به ویژه تحت تأثیر توانایی برنامه جدید برای تشخیص رویدادهای آب و هوایی خطرناک بدون دریافت هیچ آموزشی برای جستجوی آنها قرار گرفت. با آپلود یک الگوریتم ردیابی طوفان و اجرای آن در پارامترهای موجود GraphCast، برنامه مجهز به هوش مصنوعی بلافاصله قادر به شناسایی و پیشبینی دقیقتر مسیر طوفانها شد.
در ماه سپتامبر، GraphCast اولین حضور عمومی خود را از طریق سازمانی که پشت سر HRES، مرکز اروپایی پیشبینیهای هوای متوسط (ECMWF) قرار دارد، انجام داد. در آن زمان، GraphCast مسیر طوفان لی را نه روز قبل از فرود در نوا اسکوشیا به طور دقیق پیش بینی کرد.
برنامههای پیشبینی موجود نه تنها دقت کمتری داشتند، بلکه تنها مقصد نوا اسکوشیا لی را شش روز قبل تعیین کردند.
لام روز سهشنبه، که به اهمیت حیاتی بالقوه GraphCast در میان رویدادهای ویرانگر فزاینده ناشی از فروپاشی آب و هوا اشاره میکند، نوشت: پیشگام بودن استفاده از هوش مصنوعی در پیشبینی آبوهوا برای میلیاردها نفر در زندگی روزمره آنها مفید خواهد بود.
این موضوع به ویژه در پیش بینی امواج گرما، رویدادهای مخرب و خطرناک که به طور فزاینده ای رایج می شوند مفید است.
GraphCast Google DeepMind در حال حاضر از طریق کدگذاری منبع باز آن در دسترس است و ECMWF قصد دارد به آزمایش با ادغام سیستم مبتنی بر هوش مصنوعی در تلاشهای پیشبینی آینده خود ادامه دهد.
مالکیت معنوی مجله انرژی (energymag.ir) علامت تجاری ناشر است. سایر علائم تجاری مورد استفاده در این مقاله متعلق به دارندگان علامت تجاری مربوطه می باشد. ناشر وابسته یا مرتبط با دارندگان علامت تجاری نیست، و توسط دارندگان علامت تجاری حمایت، تایید یا ایجاد نشده است، مگر اینکه خلاف آن ذکر شده باشد و هیچ ادعایی از سوی ناشر نسبت به حقوق مربوط به علائم تجاری شخص ثالث وجود ندارد.
لینک سایت مرجع
در طی یک ارزیابی عملکرد جامع در برابر سیستم استاندارد NWP - پیشبینی با وضوح بالا (HRES) - GraphCast در بیش از 90 درصد آزمایشها دقیقتر بود.