Исследования
Модели климата на основе ИИ теперь превосходят традиционные симуляции на суперкомпьютерах
Новое поколение климатических моделей на основе ИИ может создавать 10-дневные прогнозы погоды с большей точностью, чем лучшие симуляции на основе физики, при этом используя лишь часть вычислительных ресурсов. Последствия для климатической науки глубокие.
Патрик Т ·
В течение семидесяти лет прогнозирование погоды доминировало численное прогнозирование погоды — вычислительно интенсивный подход, который делит атмосферу на трёхмерную сетку и решает уравнения гидродинамики в каждой точке сетки, продвигаясь во времени, чтобы смоделировать, как будет развиваться атмосфера. Этот подход работает, но требует огромных вычислительных ресурсов, и его точность быстро ухудшается после примерно десяти дней, потому что небольшие ошибки в начальных условиях экспоненциально усиливаются.
Новый класс климатических моделей на основе ИИ ставит эту парадигму под сомнение. GraphCast, разработанная Google DeepMind, и Pangu-Weather, разработанная Huawei, показали, что способны составлять десятидневные прогнозы с точностью на уровне Европейского центра среднесрочных прогнозов погоды или выше. Этот центр широко считается эталоном глобального прогнозирования погоды, тогда как вычислительные затраты новых моделей ниже на несколько порядков. Прогноз, на подготовку которого суперкомпьютерному кластеру ECMWF требуются часы, GraphCast создает менее чем за минуту на одном графическом процессоре.
Последствия этого снижения затрат значительны. Прогнозирование погоды исторически было прерогативой национальных метеорологических агентств, имеющих доступ к крупным суперкомпьютерным установкам. Если модели ИИ смогут давать сопоставимые прогнозы на обычном оборудовании, барьеры для входа резко снизятся. Малые страны, исследовательские учреждения и частные компании теперь могут запускать собственные модели прогнозирования высокого качества — демократизация возможностей, которая может принести существенные гуманитарные выгоды в регионах, где прогнозирование погоды исторически было ограничено.
Мы не заменяем модели, основанные на физике — мы их дополняем. Модели ИИ обучаются на результатах моделей, основанных на физике, поэтому они косвенно усваивают физику. Но они могут обобщать информацию способами, недоступными физическим моделям, и делать это намного быстрее.
Ведущий исследователь, команда погоды Google DeepMind
Более амбициозное применение — это климатическое прогнозирование — использование моделей ИИ для симуляции того, как климат будет развиваться в течение десятилетий и столетий при различных сценариях выбросов. Традиционные климатические модели требуют месяцев работы суперкомпьютеров для создания прогноза на столетия. Подходы с ИИ потенциально могут сократить это время до нескольких часов, что позволит провести гораздо больший набор симуляций и значительно более тщательное исследование неопределенности.
Здесь научное сообщество более осторожно. Прогнозирование погоды — это хорошо определённая задача с обилием обучающих данных и чёткими метриками оценки. Прогнозирование климата принципиально отличается: моделям ИИ придётся экстраполировать на условия, которые никогда не существовали в исторических данных, а последствия ошибок в климатических прогнозах измеряются десятилетиями и триллионами долларов в решениях по политике. Опасение научного сообщества заключается не в том, что модели ИИ по климату ошибаются — а в том, что у нас пока нет надёжных 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 образование облаков и смешивание в океане — при этом сохраняя основанную на физике структуру, которая обеспечивает интерпретируемость и физическую согласованность.
Практическая значимость высока. Прогнозы изменений климата информируют решения о вложениях в инфраструктуру, планирование сельского хозяйства, ценообразование в страховании и международные климатические переговоры. Если ИИ сможет делать такие прогнозы быстрее, дешевле и точнее, выгоды будут огромны. Если же он внесет систематические ошибки, которые не будут обнаружены до того, как они повлияют на важные решения, последствия могут быть серьезными. Делать это правильно очень важно, и научное сообщество воспринимает эту задачу всерьез.