Исследование
Модели климатических изменений на основе ИИ теперь превосходят традиционные симуляции на суперкомпьютерах
Новое поколение климатических моделей с поддержкой ИИ может строить 10-дневные прогнозы погоды с большей точностью, чем лучшие физически основанные симуляции, при этом затрачивая лишь малую часть вычислительных ресурсов. Последствия для науки о климате глубоки.
Патрик Т ·
В течение семидесяти лет прогнозирование погоды было в значительной степени основано на численном прогнозировании погоды — вычислительно интенсивном подходе, который делит атмосферу на трехмерную сетку и решает уравнения гидродинамики в каждой точке сетки, продвигаясь во времени для моделирования того, как будет развиваться атмосфера. Этот подход работает, но требует огромных вычислительных ресурсов, и его точность быстро снижается после примерно десяти дней, потому что небольшие ошибки в исходных условиях экспоненциально усиливаются.
Новый класс климатических моделей с поддержкой ИИ бросает вызов этой парадигме. GraphCast, разработанный Google DeepMind, и Pangu-Weather, разработанный Huawei, оба продемонстрировали способность создавать 10-дневные прогнозы, которые соответствуют или превосходят точность Европейского центра среднесрочных прогнозов погоды (ECMWF) — широко признанного эталона глобального прогнозирования погоды — при вычислительных затратах, которые на порядки ниже. Прогноз, на создание которого суперкомпьютерный кластер ECMWF тратит несколько часов, GraphCast может сформировать менее чем за минуту на одной GPU.
Последствия этого сокращения затрат являются значительными. Прогнозирование погоды исторически было прерогативой национальных метеорологических агентств, имеющих доступ к крупным суперкомпьютерным установкам. Если модели ИИ смогут создавать сопоставимые прогнозы на обычном оборудовании, барьеры для входа значительно снижаются. Небольшие страны, исследовательские учреждения и частные компании теперь могут запускать собственные высококачественные модели прогнозирования — это демократизация возможностей, которая может иметь значительные гуманитарные преимущества в регионах, где прогнозирование погоды исторически было ограничено.
Мы не заменяем модели, основанные на физике — мы дополняем их. Модели ИИ обучаются на выходных данных моделей, основанных на физике, поэтому они изучают физику косвенно. Но они могут обобщать информацию таким образом, как модели физики не могут, и делают это намного быстрее.
Ведущий исследователь, команда погоды Google DeepMind
Более амбициозное применение — прогнозирование климата — использование моделей ИИ для имитации того, как климат будет изменяться на протяжении десятилетий и столетий при различных сценариях выбросов. Традиционные климатические модели требуют месяцев работы суперкомпьютеров, чтобы создать прогнозы на столетие. Подходы с использованием ИИ потенциально могут сократить это до часов, позволяя создавать гораздо большее количество симуляций и гораздо более тщательно исследовать неопределенности.
Здесь научное сообщество проявляет большую осторожность. Прогнозирование погоды — это четко определённая задача с обильными данными для обучения и ясными критериями оценки. Проекция климата принципиально отличается: моделям ИИ пришлось бы экстраполировать условия, которые никогда не существовали в исторических записях, а последствия ошибок в климатических прогнозах измеряются десятилетиями и триллионами долларов в рамках политических решений. Озабоченность научного сообщества заключается не в том, что модели ИИ для климата ошибочны — а в том, что у нас ещё нет хороших способов понять, когда они ошибаются.
Несколько исследовательских групп работают над гибридными подходами, которые объединяют физическую интерпретируемость традиционных моделей с вычислительной эффективностью ИИ. Идея заключается в использовании ИИ для ускорения наиболее вычислительно затратных частей моделирования — обычно это параметризация процессов на подрешеточном масштабе, таких как формирование облаков и смешивание в океане — при сохранении физической основы, обеспечивающей интерпретируемость и физическую согласованность.
Практические ставки высоки. Прогнозы по климату влияют на решения об инвестициях в инфраструктуру, планирование сельского хозяйства, ценообразование в страховании и международные климатические переговоры. Если ИИ сможет делать эти прогнозы быстрее, дешевле и точнее, преимущества будут огромны. Если же он внесет систематические ошибки, которые не будут замечены до того, как они повлияют на важные решения, последствия могут быть серьезными. Сделать это правильно важно, и научное сообщество воспринимает эту задачу всерьез.