- 13,854
- 20
- 8 Ноя 2022
Для получения максимально точных прогнозов больше не нужны суперкомпьютеры и часы ожидания.
Исследователи из лондонского подразделения Google DeepMind Для просмотра ссылки Войдиили Зарегистрируйся значительный прогресс в области метеорологии, используя искусственный интеллект для прогнозирования погоды. Их модель GraphCast смогла предсказать погодные условия с более высокой точностью, чем ведущий европейский центр погодных прогнозов, ECMWF .
GraphCast использовал алгоритмы машинного обучения, которые обрабатывали погодные данные практически за четыре десятилетия, собранные вышеупомянутым центром ECMWF. Модель продемонстрировала превосходство в прогнозировании более чем 1300 атмосферных показателей, включая влажность и температуру.
GraphCast может работать даже на обычном ноутбуке и выдаёт сверхточные прогнозы менее чем за минуту, в то время как традиционные модели требуют гигантских вычислительных мощностей и продолжительного времени.
Ключевым элементом GraphCast являются так называемые «графовые нейронные сети» ( GNN ), которые представляют данные в виде математических графов. Эти сети способны быстро генерировать прогнозы, используя минимальные вычислительные ресурсы. Основной задачей GNN является предсказание взаимодействий между атмосферными условиями в различных точках земного шара.
Интересно отметить, что несмотря на значительные успехи Google DeepMind, прогнозирование погоды по-прежнему остаётся сложной задачей. ИИ-модель GraphCast, к примеру, пока не способна предоставлять комплексные прогнозы, которые так важны для прогнозирования крупных метеорологических событий, таких как ураганы.
Тем не менее, результаты работы Google DeepMind вызывают оптимизм среди метеорологов и специалистов в области машинного обучения. Так, Мэттью Чентри из ECMWF отметил, что GraphCast выделяется среди других ИИ-моделей, особенно в части прогнозирования осадков.
Заключительный важный аспект исследования касается влияния изменений климата на погодные модели. В то время как традиционные модели опираются на законы физики и, следовательно, считаются более устойчивыми к климатическим изменениям, ИИ-модели, обученные на исторических данных, могут столкнуться с трудностями при изменении климатических условий. Однако исследователи из DeepMind выразили уверенность в способности своей модели адаптироваться к различным типам погодных систем.
Исследователи из лондонского подразделения Google DeepMind Для просмотра ссылки Войди
GraphCast использовал алгоритмы машинного обучения, которые обрабатывали погодные данные практически за четыре десятилетия, собранные вышеупомянутым центром ECMWF. Модель продемонстрировала превосходство в прогнозировании более чем 1300 атмосферных показателей, включая влажность и температуру.
GraphCast может работать даже на обычном ноутбуке и выдаёт сверхточные прогнозы менее чем за минуту, в то время как традиционные модели требуют гигантских вычислительных мощностей и продолжительного времени.
Ключевым элементом GraphCast являются так называемые «графовые нейронные сети» ( GNN ), которые представляют данные в виде математических графов. Эти сети способны быстро генерировать прогнозы, используя минимальные вычислительные ресурсы. Основной задачей GNN является предсказание взаимодействий между атмосферными условиями в различных точках земного шара.
Интересно отметить, что несмотря на значительные успехи Google DeepMind, прогнозирование погоды по-прежнему остаётся сложной задачей. ИИ-модель GraphCast, к примеру, пока не способна предоставлять комплексные прогнозы, которые так важны для прогнозирования крупных метеорологических событий, таких как ураганы.
Тем не менее, результаты работы Google DeepMind вызывают оптимизм среди метеорологов и специалистов в области машинного обучения. Так, Мэттью Чентри из ECMWF отметил, что GraphCast выделяется среди других ИИ-моделей, особенно в части прогнозирования осадков.
Заключительный важный аспект исследования касается влияния изменений климата на погодные модели. В то время как традиционные модели опираются на законы физики и, следовательно, считаются более устойчивыми к климатическим изменениям, ИИ-модели, обученные на исторических данных, могут столкнуться с трудностями при изменении климатических условий. Однако исследователи из DeepMind выразили уверенность в способности своей модели адаптироваться к различным типам погодных систем.
- Источник новости
- www.securitylab.ru
