Skillful seasonal forecasts with a freely evolving AI weather model
Dit artikel introduceert de Functional Graph Transformer (FGT), een snel, probabilistisch AI-model dat bekwaam, vrij evoluerende seizoensvoorspellingen realiseert door in de meeste gevallen de klimatologie te overtreffen en de nauwkeurigheid van het state-of-the-art SEAS5-systeem te evenaren terwijl het orders van grootte sneller draait.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je voor dat je het weer probeert te voorspellen, niet alleen voor morgen, maar voor de komende zes maanden. Het is een beetje als proberen de plot van een film te raden die nog niet is opgenomen, waarbij de acteurs (de wind, regen en oceaanstromingen) wild improviseren. Wetenschappers weten al lang dat de atmosfeer chaotisch is; een kleine verandering vandaag kan leiden tot een totaal andere storm volgende week. Vanwege dit feit zijn traditionele weermodellen als supercomputers die een enorme, gedetailleerde natuurkundige simulatie van de hele planeet draaien. Ze zijn ongelooflijk krachtig, maar ook ongelooflijk zwaar, omdat ze enorme hoeveelheden energie en tijd vereisen om zelfs één enkele voorspelling te draaien.
Er is echter een nieuwere, snellere aanpak met behulp van Kunstmatige Intelligentie (AI). Denk aan AI-weermodellen als een student die elk weerbericht van de afgelopen 70 jaar heeft gelezen en patronen heeft leren herkennen. Hoewel deze AI-studenten geweldig zijn in het voorspellen van de komende paar dagen, hebben ze vaak moeite om hun verhaal consistent te houden wanneer ze gevraagd wordt om maanden vooruit te voorspellen. Ze hebben de neiging om de "grote verbanden" tussen de oceaan, het land en de lucht te vergeten, of ze raken gestrikt in een lus waarin het weer zichzelf steeds herhaalt. De grote vraag in de wetenschap op dit moment is: Kunnen we een AI bouwen die niet alleen de volgende dag raadt, maar die ook echt "leeft" binnen het weersysteem voor maanden, evoluerend zoals de echte wereld dat doet, zonder dat er een mens nodig is om het verhaal constant te corrigeren?
Dit is precies wat de onderzoekers achter dit artikel van plan waren te doen. Ze introduceerden een nieuw AI-systeem genaamd de Functional Graph Transformer (FGT). In tegenstelling tot oudere AI-modellen, die verteld kregen wat de oceaantemperatuur zou zijn (zoals het krijgen van een script), is de FGT "vrij evoluerend". Dit betekent dat de FGT de atmosfeer, de zeetemperatuur, het zeeijs en het vochtgehalte in de bodem allemaal tegelijkertijd voorspelt, dag na dag, volledig gebaseerd op zijn eigen eerdere voorspellingen. Het is alsof je een videogame-personage leert hoe het spel gespeeld moet worden zonder cheatcode, waardoor het zelf ontdekt hoe de oceaan en de atmosfeer met elkaar communiceren.
De resultaten zijn zeer veelbelovend. Het team testte hun model door het zes maanden vooruit te laten draaien en het te vergelijken met de "gouden standaard" van de weervoorspelling, een massief systeem genaamd SEAS5. Ze ontdekten dat de FGT verrassend goed was. In een verbazingwekkende 96% van de verschillende zaken die ze maten (van neerslag tot windsnelheid, over verschillende maanden heen), presteerde de FGT beter dan simpelweg gokken op basis van historische gemiddelden. Nog indrukwekkender: wanneer de FGT direct werd vergeleken met het zware SEAS5-systeem, slaagde het erin om in 77% van de gevallen ten minste 80% van de vaardigheid te behouden. En het beste deel? Dit deed het terwijl het duizenden keren sneller draaide; het kostte slechts ongeveer 19 minuten op één krachtige computerchip om een zesmaandenvoorspelling voor de hele wereld te genereren, terwijl het traditionele systeem dagen aan supercomputertijd zou kosten.
Het artikel ontdekte ook enkele interessante eigenaardigheden over hoe deze AI leert. Bijvoorbeeld, als je de AI dwingt om simpelweg "vast te houden" aan de begincondities van de oceaan en de bodem (een methode genaamd "persistentie"), dan wordt het vermogen om regen te voorspellen zelfs slechter. Maar wanneer de AI de ruimte krijgt om die oppervlaktecondities te laten veranderen en natuurlijk te laten evolueren, worden de regenvoorspellingen veel beter. Het model liet ook zien dat het de timing van grote klimaatgebeurtenissen zoals El Niño (een opwarming van de Stille Oceaan) redelijk goed kon voorspellen, zelfs als het de intensiteit van het evenement soms onderschatte. Hoewel het nog niet perfect is – het worstelt nog steeds een beetje met het voorspellen van de exacte kracht van bepaalde oceaanpatronen vergeleken met de traditionele modellen – bewijst het dat een AI in staat is om een samenhangend, meermaans weerverhaal te vertellen zonder dat er een mens nodig is om de hand vast te houden. Dit suggereert dat we in de toekomst misschien geen aparte, trage modellen meer nodig hebben voor de korte termijn en de lange termijn; één slimme, snelle AI zou de hele tijdlijn kunnen afhandelen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.