GOOGLE AI, BİRKAÇ DAKİKADA UZUN VADELİ HAVA TAHMİNİ YAPIYOR
Daha güvenilir ve daha az enerji tüketen modeller, aşırı hava koşullarına daha iyi hazırlanmamıza yardımcı olabilir.

Geleneksel hava durumu tahmin teknolojisini makine öğrenimiyle birleştiren bir bilgisayar modeli, hava durumu senaryolarını ve uzun vadeli iklim eğilimlerini tahmin etmede diğer yapay zeka (YZ) tabanlı araçlardan daha iyi performans gösterdi.
22 Temmuz 1'de Nature'da açıklanan araç , doğru topluluk hava durumu tahminleri üreten ilk makine öğrenme modelidir; bunlar bir dizi senaryo sunar. Geliştirilmesi, mevcut araçlardan daha hızlı ve daha az enerji yoğun ve yalnızca yapay zekaya dayalı yaklaşımlardan daha ayrıntılı tahminler için kapıyı açar.
Kaliforniya, Mountain View'daki Google Research'te derin öğrenme üzerine çalışan çalışmanın ortak yazarı Stephan Hoyer: "Geleneksel iklim modellerinin süper bilgisayarlarda çalıştırılması gerekiyor. Bu, dakikalar içinde çalıştırabileceğiniz bir model," diyor.
Yapay zeka hava tahminlerini nasıl iyileştiriyor?
Mevcut tahmin sistemleri genellikle, Dünya okyanusları ve atmosferindeki süreçleri simüle etmek ve bunların havayı ve iklimi nasıl etkileyebileceğini tahmin etmek için fizik yasalarından yararlanan programlar olan genel sirkülasyon modellerine (GCM'ler) dayanır. Ancak GCM'ler çok fazla bilgi işlem gücü gerektirir ve makine öğrenimindeki ilerlemeler daha verimli bir alternatif sunmaya başlıyor. Hoyer, "Terabaytlarca veya petabaytlarca (bir gigabayttan bir milyon kat daha büyük) tarihsel hava durumu verimiz var" diyor. "Bu kalıplardan öğrenerek daha iyi modeller oluşturabiliriz."
Teknoloji holdingi Huawei tarafından geliştirilen ve merkezi Shenzhen, Çin'de bulunan Pangu-Weather ve merkezi Londra'da bulunan DeepMind tarafından geliştirilen GraphCast gibi bazı makine öğrenimi tahmin modelleri halihazırda mevcuttur . Bu modeller, tek bir hava durumu tahmini üreten bir yaklaşım olan deterministik tahmin için tipik GCM'lerle benzer doğruluk seviyelerine sahiptir. Ancak GCM'ler, topluluk tahmini veya uzun vadeli iklim tahminleri için o kadar güvenilir değildir.
Londra'daki Alan Turing Enstitüsü'nde yapay zeka ve çevresel veriler üzerine araştırmalar yapan Scott Hosking, "Saf makine öğrenimi yaklaşımlarındaki sorun, onu yalnızca daha önce gördüğü veriler üzerinde eğitmenizdir" diyor. "İklim sürekli değişiyor, bilinmeyene doğru gidiyoruz, bu nedenle makine öğrenimi modellerimiz o bilinmeyen geleceğe ekstrapolasyon yapmak zorunda. Modele fiziği dahil ederek, modellerimizin fiziksel olarak kısıtlandığından ve gerçekçi olmayan hiçbir şey yapamayacağından emin olabiliriz."
Hibrit model
Hoyer ve ekibi, "geleneksel fizik tabanlı bir atmosfer çözücünün bazı yapay zeka bileşenleriyle birleşen yönlerini" bir model olan NeuralGCM'yi geliştirdi ve eğitti, diyor Hoyer. Modeli kısa ve uzun vadeli hava durumu tahminleri ve iklim projeksiyonları üretmek için kullandılar. NeuralGCM'nin doğruluğunu değerlendirmek için araştırmacılar, tahminlerini gerçek dünya verileriyle ve GCM'ler ve tamamen makine öğrenimine dayalı olanlar da dahil olmak üzere diğer modellerden elde edilen çıktılarla karşılaştırdılar.
Mevcut makine öğrenme modelleri gibi, NeuralGCM de GCM'lerin gerektirdiği gücün çok daha azını tüketerek, bir ila üç gün öncesinden doğru kısa vadeli, kesin hava durumu tahminleri üretebilirdi. Ancak yedi günden uzun vadeli tahminler üretirken diğer makine öğrenme modellerinden çok daha az hata yaptı. Aslında, NeuralGCM'nin uzun vadeli tahminleri, hava durumu tahmini için yaygın olarak altın standart olarak kabul edilen bir GCM olan Avrupa Orta Vadeli Hava Durumu Tahmin Merkezi'nin (ECMWF-ENS) topluluk modeli tarafından yapılan tahminlere benziyordu.
DeepMind AI, masaüstü bilgisayarda hava durumunu doğru bir şekilde tahmin ediyor
Ekip ayrıca modelin tropikal siklonlar gibi farklı hava olaylarını ne kadar iyi tahmin edebildiğini de test etti. Saf makine öğrenimi modellerinin çoğunun hem NeuralGCM hem de ECMWF-ENS ile karşılaştırıldığında tutarsız ve yanlış tahminler ürettiğini buldular. Araştırmacılar NeuralGCM'yi küresel fırtına çözme modelleri olarak bilinen ultra yüksek çözünürlüklü iklim modelleriyle bile karşılaştırdılar. NeuralGCM daha gerçekçi tropikal siklon sayımları ve yörüngeleri daha kısa sürede üretebilirdi.
Hosking, bu tür olayları öngörebilmenin "karar verme yeteneklerini ve hazırlık stratejilerini geliştirmek açısından çok önemli" olduğunu söylüyor.
Hoyer ve meslektaşları NeuralGCM'yi daha da geliştirmek ve uyarlamak konusunda istekliler. Hoyer, "Dünya sisteminin modellenmesinin atmosferik bileşeni üzerinde çalışıyoruz... Bu, günlük havayı doğrudan etkileyen kısım olabilir," diyor. Ekibin, modelin doğruluğunu daha da artırmak için Dünya biliminin daha fazla yönünü gelecekteki sürümlere dahil etmek istediğini ekliyor.
Comments