Модель WeatherNext з відкритим кодом може робити точні прогнози з використанням даних погоди низької роздільної здатності.
У жовтні 2025 року над Карибським морем зародився шторм. Метеорологічні моделі розходилися щодо його траєкторії. Чи залишиться він слабким і прямуватиме до Гаїті, чи посилиться і рушить до Ямайки? Модель штучного інтелекту WeatherNext, розроблена DeepMind та Google Research, обрала другий варіант. За п’ять днів до виходу на сушу вона з 80-відсотковою впевненістю передбачила, що штормова система вразить Ямайку як ураган 5-ї категорії.
Ураган “Мелісса” мав катастрофічні наслідки, спричинивши повені та зсуви ґрунту по всій Ямайці. Але модель ШІ допомогла синоптикам завчасно попередити громади на його шляху, щоб вони могли краще підготуватися.
У статті, опублікованій у четвер у журналі Nature, дослідники показують, що модель ШІ WeatherNext може прогнозувати циклони з безпрецедентною точністю. В середньому вона надає синоптикам на один день більше часу для реагування, ніж наявні моделі; це означає, що її прогнози на три дні вперед такі ж точні, як прогнози попередніх моделей на два дні вперед. На місцях цей додатковий день може означати багато.
«Навіть кілька годин можуть мати значення», — каже Майк Бреннан, директор Національного центру ураганів США. Організація евакуації, підготовка запасів та переміщення ресурсів для реагування на ризик урагану — все це завдання, що залежать від часу, і прийняття неправильного рішення може мати серйозні наслідки. «Час — це справді золото, коли йдеться про такі рішення, тому можливість розширити точність прогнозу на цілий день порівняно з тим, що ми могли робити раніше, є надзвичайно цінною», — зазначає він.
Історично, щоб просунути прогнози на один день, потрібне десятиліття роботи, кажуть дослідники.
Моделювання екстремальних подій може бути складним завданням для ШІ. Машинне навчання вимагає великої кількості навчальних даних для здійснення майбутніх прогнозів, але екстремальні події за своєю природою є рідкісними. «У нас не так багато даних про циклони, але у нас багато даних про погоду», — каже Ферран Алет, науковий співробітник Google DeepMind і один з провідних авторів статті. «Тому ми навчили модель бути хорошою як у прогнозуванні погоди, так і в прогнозуванні циклонів».
Прогнозувати урагани особливо складно, оскільки вони діють на кількох просторових масштабах, каже Кейт Масгрейв, керівниця групи тропічних циклонів у Кооперативному інституті досліджень атмосфери і авторка статті. Прогнозування траєкторії шторму — напрямку його руху — вимагає даних про погоду в глобальному масштабі, включаючи інформацію про розташування холодних фронтів і панівні вітри. Однак прогнозування інтенсивності шторму потребує даних набагато меншого масштабу, зосереджених конкретно на місцевих атмосферних та океанічних умовах.
«Це те, чого ми просто не отримуємо від цих глобальних моделей», — каже Масгрейв. Хоча ранні моделі ШІ добре справлялися з прогнозуванням траєкторії шторму, «з інтенсивністю вони взагалі не могли добре впоратися».
Критично важливо передбачати обидва показники: зміна інтенсивності може означати різницю між відносно слабким штормом і великим ураганом. Іноді — як у випадку урагану “Мелісса” — штормова система може швидко посилитися, перетворившись на надзвичайну ситуацію за одну ніч. “Мелісса” стала першим випадком, коли Національний центр ураганів зміг спрогнозувати ураган 5-ї категорії, коли шторм перебував лише на стадії 1-ї категорії.
До того, як модель WeatherNext була використана в реальних прогнозах, дослідники тестували її на ретроспективних даних. «Результати були настільки хорошими, що ми сумнівалися, чи побачимо ми таке ж у демонстрації в реальному часі», — каже Масгрейв. Але коли синоптики почали використовувати модель у своїй роботі, ця ефективність підтвердилася. «Я думаю, усі були здивовані тим, наскільки добре вона працює», — додає Масгрейв.
Навіть дослідники DeepMind, які працюють над моделлю, не до кінця розуміють, як ШІ досягає таких точних прогнозів, враховуючи, що він використовує атмосферні дані значно нижчої роздільної здатності, ніж традиційні моделі, необхідні для прогнозування інтенсивності шторму. «Коли ми сказали спільноті, що наша модель використовує лише відносно грубу роздільну здатність, вони були шоковані, оскільки це означає, що вхідні дані нижчої роздільної здатності містять більше сигналів про те, що станеться, ніж вважалося раніше», — каже Алет.
Модель ШІ, ймовірно, виявляє щось у даних нижчої роздільної здатності, що дозволяє їй робити прогнози щодо інтенсивності шторму, але дослідники не знають, що саме. «Зрештою, це чорна скринька, але це дає фізикам сигнал про те, що відбувається щось, що раніше не було зрозуміло», — каже Алет.
Модель не просто видає один прогноз; вона створює діапазон потенційних сценаріїв для шторму, що розвивається. Це допомагає врахувати будь-який потенційний «ефект метелика», коли невелике відхилення від тенденції може призвести до набагато більших змін у майбутньому, каже Алет. Синоптики можуть використовувати ці вихідні дані, разом з даними інших моделей, щоб інформувати свої прогнози щодо того, як, ймовірно, розгортатиметься штормова система. Минулого року модель ШІ створювала 50 сценаріїв на шторм; тепер вона генерує 1000.
«Це те, що з нашою обчислювальною потужністю ми просто не можемо зробити з нашими існуючими числовими моделями», — каже Масгрейв.
Бреннан каже, що модель DeepMind — це чудовий новий інструмент у арсеналі синоптиків, але наголошує, що вона є лише одним із багатьох. «Немає гарантії, що одна модель, яка добре працювала минулого року або дуже добре впоралася з цим конкретним штормом, обов’язково буде найкращою моделлю для наступного сезону чи наступного шторму», — каже він. Людський фактор, додає він, залишається критично важливим. «Ураган — це не просто прогноз траєкторії чи інтенсивності», — каже він. «Потрібні експерти, щоб перетворити це на розуміння того, якими будуть наслідки — а саме наслідки вбивають людей».
Google DeepMind також оголосила, що робить моделі WeatherNext, які використовувалися під час сезону ураганів, відкритими (open-source), щоб дослідники могли їх використовувати та вдосконалювати. Алет сподівається, що відкриття моделей для дослідницької спільноти допоможе виявити нові закономірності в роботі циклонів.
«Я дуже захоплений науковими відкриттями», — каже він. «Я думаю, ШІ надає нам нові інструменти, щоб зазирнути в закони Всесвіту».
Оригінал статті: arstechnica.com