GenCast: AI-prognos som slår meteorologi 🌍✨

GenCast, en ny AI-modell från Google DeepMind, är tillräckligt noggrann för att konkurrera med traditionella väderprognoser. I tester med data från 2019 överträffade den en ledande prognosmodell, enligt nyligen publicerad forskning. 🌦️✨

AI kommer inte att ersätta traditionell meteorologi inom den närmaste framtiden, men den kan ge värdefulla verktyg för att förutsäga vädret och varna allmänheten om svåra stormar. GenCast är en av flera AI-modeller under utveckling vilket kan leda till mer exakta prognoser. 🤖⛈️

"Klimatet påverkar praktiskt taget alla aspekter av våra liv ... och det är också en av de största vetenskapliga utmaningar "förutsäga det", säger Ilan Price, seniorforskare på DeepMind. "Google DeepMind har som uppdrag att främja AI till nytta av mänskligheten. Jag tror att detta är ett viktigt sätt, ett viktigt bidrag i det avseendet.” 🌈📊

Price och hans team genomförde tester med GenCast mot ENS-systemet, en av världens mest avancerade prognosmodeller, som förvaltas av European Centre for Medium-Range Weather Forecasts (ECMWF). GenCast presterade bättre än ENS 97.2% vid den tidpunkten, enligt forskningen. publicerad denna vecka i tidningen Natur. 📈🧐

GenCast är en maskininlärningsbaserad väderprognosmodell som tränas på klimatdata från 1979 till 2018. Denna modell lär sig att känna igen mönster i fyra decenniers historiska data och använder den informationen för att förutsäga vad som kan hända i framtiden. Detta skiljer sig mycket från hur traditionella modeller som ENS fungerar, som fortfarande förlitar sig på superdatorer för att lösa komplexa ekvationer och simulera atmosfärens fysik. Både GenCast och ENS producerar prognoser som helhet, vilket erbjuder en mängd olika möjliga scenarier. 🌌🌪️

Till exempel, när GenCast förutsäger banan för en tropisk cyklon, kan de ge i genomsnitt 12 timmars förvarning. GenCast är generellt sett bättre på att förutsäga cyklonernas banor, extrema väderhändelser och vindkraftsproduktion upp till 15 dagar i förväg. 🌪️⏳

En varning är att GenCast testades mot en äldre version av ENS, som nu fungerar på en högre upplösningDen expertgranskade forskningen jämför GenCasts förutsägelser med ENS-prognoser för 2019 och analyserar hur nära varje modell matchade årets faktiska förhållanden. Enligt ECMWF:s maskininlärningskoordinator Matt Chantry har ENS-systemet förbättrats avsevärt sedan 2019, vilket gör det svårt att bedöma hur GenCast kan jämföras med ENS idag.

Det är tydligt att upplösning inte är den enda viktiga faktorn för att göra bra förutsägelser. ENS arbetade redan med en något högre upplösning än GenCast år 2019, men GenCast lyckades ändå överträffa den. DeepMind hävdar att de har genomfört liknande studier med data från 2020 till 2022 och funnit liknande resultat, även om detta inte har granskats av experter. Det fanns dock inga data att jämföra för 2023, då ENS började arbeta med en betydligt högre upplösning. 📊📈

GenCast delar upp världen i ett rutnät och arbetar med en upplösning på 0,25 grader, vilket innebär att varje kvadrat i rutnätet mäter en kvarts latitudgrad gånger en kvarts longitudgrad. Som jämförelse använde ENS en upplösning på 0,2 grader år 2019 och ligger nu på 0,1 grader. 🌍🗺️

Utvecklingen av GenCast "markerar dock en betydande milstolpe i utvecklingen av väderprognoser", sade Chantry i ett e-postmeddelande. Vid sidan av ENS driver ECMWF också sin egen version av en maskininlärningssystemChantry kommenterar att han ”tar lite inspiration från GenCast.” 🌟🤓

Snabbhet är en fördel för GenCast. Den kan generera en 15-dagarsprognos på bara åtta minuter med hjälp av en enda Google Cloud TPU v5. Fysikbaserade modeller som ENS kan ta flera timmar att göra detsamma. GenCast hoppar över alla ekvationer som ENS måste lösa, vilket förklarar varför det kräver mindre tid och datorkraft för att producera en prognos. ⚡️💻

"Beräkningsmässigt är det betydligt dyrare" köra traditionella prognoser mot en modell som GenCast”, säger Price. 💰📉

Den effektiviteten skulle kunna bidra till att lindra vissa farhågor kring miljöpåverkan från AI-datacenter, vilka redan har bidragit till Googles ökande utsläpp av växthusgaser de senaste åren. Det är dock svårt att bedöma hur GenCast står sig i jämförelse med fysikbaserade modeller vad gäller hållbarhet utan att veta hur mycket energi som används för att träna maskininlärningsmodellen. 🏭♻️

Det finns fortfarande förbättringar som GenCast kan göra, inklusive möjligheten att skala till högre upplösning. Dessutom utfärdar GenCast prognoser med 12-timmarsintervall, jämfört med traditionella modeller, som vanligtvis utfärdar prognoser med kortare intervall. Detta kan påverka hur dessa prognoser kan användas i verkligheten (t.ex. för att bedöma hur mycket vindkraft som kommer att finnas tillgänglig).

"Man vill veta hur vinden kommer att bete sig under dagen, inte bara klockan 6 och 18", säger Stephen Mullens, biträdande professor i meteorologi vid University of Florida, som inte var inblandad i GenCast-forskningen.

Även om det finns ett växande intresse för hur AI kan användas för att förbättra prognoser, har det ännu inte bevisat sin effektivitet. ”Folk tittar på det. Jag tror inte att den meteorologiska världen som helhet är övertygad av det”, säger Mullens. ”Vi är utbildade forskare som tänker i termer av fysik ... och eftersom AI inte i grunden är fysik finns det fortfarande ett element där vi frågar oss: 'Är det här bra? Och varför?'”

Prognosmakare kan själva prova GenCast; DeepMind publicerade koda av dess modell med öppen källkod. Price säger att han ser GenCast och andra förbättrade AI-modeller används i verkligheten tillsammans med traditionella modeller. ”När dessa modeller väl är i händerna på utövare bygger det upp mer förtroende och självförtroende”, säger Price. ”Vi vill verkligen att detta ska ha en bred samhällspåverkan.” 🌍💡