Tianmu-TC: Physics-constraints Generative Artificial Intelligence for Global Tropical Cyclone Forecasting

Tropische cyclonen behoren tot de krachtigste en meest destructieve krachten op aarde, in staat om woeste winden en hevige regenval te ontketenen die kustlijnen hervormen en levens bedreigen. Voorspellen waar deze stormen naartoe zullen gaan en hoe sterk ze zullen worden, is een taak die wetenschappers al decennia lang uitdaagt. De atmosfeer is een chaotisch systeem, wat betekent dat kleine, bijna onzichtbare fouten in onze initiële metingen enorme fouten kunnen worden naarmate de tijd verstrijkt, een fenomeen dat vaak het vlindereffect wordt genoemd. Om met deze onzekerheid om te gaan, vertrouwen meteorologen traditioneel op complexe computersimulaties die duizenden licht verschillende scenario's draaien om een reeks mogelijke uitkomsten te creëren. Hoewel deze methoden de gouden standaard zijn voor veiligheid, vereisen ze enorme rekenkracht, waarbij vaak supercomputers nodig zijn die uren nodig hebben om een enkele voorspelling te produceren, wat ze traag en duur maakt om uit te voeren.

Een nieuwe benadering, die in recent onderzoek wordt beschreven, suggereert een ander pad vooruit met behulp van een type kunstmatige intelligentie dat leert van de natuurwetten in plaats van alleen van ruwe gegevens. Het team achter dit werk, geleid door onderzoekers van de Zhejiang University of Technology en andere instellingen, heeft een systeem ontwikkeld genaamd Tianmu-TC. In tegen afstelling tot eerdere AI-modellen die simpelweg patronen uit het verleden uit het hoofd leerden, is dit systeem ontworpen om de fysieke regels te begrijpen die de beweging en verandering van een storm beheersen. Door de AI te leren deze natuurlijke beperkingen te respecteren, hebben de onderzoekers een hulpmiddel gecreëerd dat snel meerdere mogelijke toekomsten voor een storm kan genereren en met veel minder onzekerheid dan huidige methoden. De resultaten laten zien dat deze natuurkundig geleide AI de baan en kracht van tropische cyclonen over de hele wereld met opmerkelijke snelheid en nauwkeurigheid kan voorspellen, waarbij het vaak de meest geavanceerde supercomputermodellen die vandaag de dag door grote weeragentschappen worden gebruikt, overtreft.

De kern van deze doorbraak ligt in de manier waarop de AI de chaos van de atmosfeer afhandelt. Traditionele AI-modellen produceren vaak een brede spreiding van voorspellingen, zoals een groep mensen die een locatie raden en zich over een enorm gebied verspreiden, wat het moeilijk maakt om te weten waar de storm daadwerkelijk zal inslaan. Om dit op te lossen, introduceerden de onderzoekers drie specifieke fysieke regels, of beperkingen, in het leerproces van de AI. Ten eerste wordt het systeem gedwongen de geschiedenis van de storm te respecteren, wat ervoor zorgt dat elke nieuwe voorspelling logisch voortvloeit uit waar de storm al is geweest. Ten tweede moet het rekening houden met de grootschalige weerpatronen die de storm sturen, zoals hogedruksystemen en windstromen die fungeren als een rivier die een boot begeleidt. Ten slotte, en misschien wel het belangrijkste, wordt de AI geleerd om rekening te houden met de interne structuur van de storm, specif kind aan hoe de winden en druk verticaal binnen de storm zelf verschuiven. Door deze drie fysieke realiteiten in het generatieproces te verweven, leert de AI de mogelijkheden in te perken, waarbij wilde gokken worden weggegooid en de focus wordt gelegd op de meest fysiek plausibele uitkomsten.

Wanneer getest tegen echte gegevens van 2017 tot 2023, die stormen in oceanen over de hele wereld beslaan, demonstreerde Tianmu-TC een niveau van precisie dat zelfs de makers verraste. Het model werd uitsluitend getraind op gegevens uit de Westelijke Noordelijke Pacific, maar slaagde erin zijn kennis te generaliseren om stormen in de Atlantische Oceaan, de Indische Oceaan en het Zuidelijk Halfrond te voorspellen zonder dat het voor die specifieke regio's opnieuw getraind hoefde te worden. In directe vergelijkingen met het Europees Centrum voor Kortetermijnvoorspellingen, een toonaangevende wereldwijde weerorganisatie, en andere top-AI-modellen, produceerde Tianmu-TC consequent kleinere fouten bij het voorspellen van zowel het traject als de intensiteit van de storm. Bijvoorbeeld, in gevallen waarin stormen ongebruikelijke, lusvormende paden namen of snel van kracht veranderden, verminderde het nieuwe model de voorspellingsfouten met wel zes keer vergeleken met sommige bestaande AI-systemen. Het slaagde er ook in om de snelle intensivering en verzwakking van stormen te voorspellen met een niveau van detail dat veel huidige systemen missen.

Misschien wel het meest opvallende aspect van deze ontwikkeling is de efficiëntie ervan. Terwijl de krachtigste weermodellen ter wereld supercomputers en uren verwerkingstijd vereisen om een voorspelling te genereren, kan Tianmu-TC draaien op een enkele standaard grafische kaart, een stuk hardware dat in veel hoogwaardige computers wordt gevonden, en een voorspelling produceren in slechts iets meer dan één seconde. Deze snelheid gaat niet ten koste van de nauwkeurigheid; sterker nog, het model genereert een set van zes mogelijke toekomstige paden die dicht bij elkaar liggen rond de meest waarschijnlijke uitkomst, wat meteorologen een duidelijk en zelfverzekerd beeld geeft van wat ze kunnen verwachten. De onderzoekers ontdekten dat zelfs wanneer real-time gegevens over de omliggende atmosfeer ontbraken, het model nog steeds op de recente geschiedenis van de storm kon vertrouwen om nauwkeurige voorspellingen te doen, een cruciale functie voor real-time noodhulp wanneer datastromen onderbroken kunnen worden.

De studie onthulde ook een diepere verbinding tussen het pad van een storm en de kracht ervan. Hoewel wetenschappers al lang weten dat deze twee factoren met elkaar verband houden, bewees dit nieuwe model dat het gezamenlijk voorspellen van hen, in plaats van afzonderlijk, aanzienlijk betere resultaten oplevert. De AI leerde dat de intensiteit van een storm sterk afhankelijk is van de specifieke omgeving die hij langs zijn traject tegenkomt, zoals de temperatuur van het oceaanwater of de sterkte van de winden daarboven. Door het pad en de kracht gelijktijdig te voorspellen, kon het model de informatie van de een gebruiken om de ander te verfijnen, wat een coherenter en betrouwbaarder voorspellingsproces creëert. Dit inzicht suggereert dat de toekomst van stormvoorspelling niet ligt in het bouwen van grotere, complexere modellen, maar in het ontwerpen van slimmere systemen die de fysieke relaties tussen verschillende delen van het weer begrijpen.

De implicaties van dit werk reiken verder dan alleen betere cijfers op een scherm. Door hoogwaardige ensemble-voorspellingen toegankelijk te maken op standaard hardware, kan deze technologie de weervoorspelling democratiseren, waardoor regio's met minder middelen toegang krijgen tot hetzelfde niveau van gedetailleerde voorspellingen als rijke landen. Het vermogen om snel meerdere, fysiek consistente scenario's te genereren, geeft crisismanagers meer tijd om zich voor te bereiden op specifieke dreigingen, of het nu gaat om een plotselinge verandering in richting of een snelle toename in windsnelheid. De onderzoekers erkennen dat hoewel het model zeer effectief is voor kortetermervoorspellingen, het voorspellen van stormen enkele dagen van tevoren moeilijk blijft vanwege de inherente chaos van de atmosfeer. Echter, het succes van Tianmu-TC suggereert dat door kunstmatige intelligentie te funderen in de basiswetten van de fysica, we instrumenten kunnen bouwen die niet alleen sneller en goedkoper zijn, maar ook betrouwbaarder, wat een nieuwe manier biedt om gemeenschappen te beschermen tegen de woede van tropische cyclonen.