«Почему бы не попробовать»: Манчестерский университет обучил модели NVIDIA Earth-2 прогнозировать загрязнение воздуха по всей Великобритании

Что сделали в Манчестере

Загрязнение воздуха остаётся серьёзным риском для здоровья: по оценке Королевской коллегии врачей, в прошлом году в одной только Великобритании с ним связывают около 30 000 смертей, а расчёт качества воздуха традиционными химическими моделями дорог в вычислениях — это ограничивает и детализацию, и то, как часто модель можно запускать.

Дэвид Топпинг, профессор кафедры наук о Земле и окружающей среде Манчестерского университета, увидел, что семейство открытых AI-моделей и инструментов NVIDIA Earth-2 уже решило смежную задачу — прогноз погоды, — и задался вопросом, сработают ли те же генеративные подходы для полей загрязнения.

«Самая большая сложность — это вычисления, необходимые для прогноза качества воздуха, — сказал Топпинг. — Как только в погодные модели добавляется химия, они становятся очень, очень медленными. Поэтому я сказал: почему бы не попробовать генеративные фреймворки, которые NVIDIA разрабатывает для климата и погоды, для полей загрязнения?»

Вместе с командой Earth-2 исследователь и его коллеги сгенерировали обучающие данные из уже существующих химико-климатических симуляций, а затем обучили Earth-2 CorrDiff — генеративную модель даунскейлинга — на Isambard-AI, национальном AI-суперкомпьютере Великобритании в Бристоле. Модель сработала с первой попытки.

Материал датирован 16 сентября 2026 года по машиночитаемой метке страницы, тогда как в шапке публикации указано 15 сентября 2026 года: дата в разметке и дата, которую видит читатель, расходятся на календарный день.

От национального суперкомпьютера к настольной системе

Чтобы переобучить модель Earth-2 на загрязнение воздуха, команда взяла год британских данных о загрязнении, симулированных с почасовыми интервалами, и получила детальную модель по всей территории страны с разрешением 2–3 квадратных километра.

Обучение шло на одном узле из восьми GPU на Isambard-AI — самом мощном AI-суперкомпьютере Великобритании, в котором 5 448 суперчипов NVIDIA GH200 Grace Hopper обеспечивают 21 экзафлопс AI-производительности, — и заняло всего два дня.

«Earth-2 CorrDiff показала невероятно эффективное использование мирового оборудования NVIDIA внутри Isambard-AI, — сказал Саймон Макинтош-Смит, директор Бристольского центра суперкомпьютерных вычислений и соучредитель Isambard-AI. — Уместно, что для климатического проекта GPU-часы оказались относительно невысокими: суперкомпьютеру потребовалось меньше энергии на эти нагрузки».

Модель даёт и взгляд назад — на загрязнение за прошедший год, — и сценарии на будущее для Великобритании; команда планирует повышать разрешение за счёт дополнительных открытых данных, чтобы исследователи могли дойти до городской улицы.

Тот же генеративный конвейер запускается на настольной системе DGX Spark на суперчипе NVIDIA GB10 Grace Blackwell — для инференса и небольших обучений; одна такая система стоит у Топпинга в кабинете, и он продолжает переобучать модели. «Теперь можно вложить несколько тысяч долларов, чтобы начать разрабатывать мощные AI-модели», — сказал он.

CorrDiff и StormCast: что именно применили

Earth-2 CorrDiff — генеративная модель даунскейлинга из семейства Earth-2; на официальной странице платформы NVIDIA описывает её как даунскейлинг в 500 раз быстрее при 10 000-кратном улучшении энергоэффективности.

После первого этапа команда добавила Earth-2 StormCast — модель, которая даёт зависящие от времени прогнозы и напрямую использует наблюдения за качеством воздуха; на DGX Spark были показаны рабочие процессы тестового обучения и инференса.

«Возможность переключаться с одного фреймворка NVIDIA на другой была действительно впечатляющей, — сказал Хао Чжан, докторант Манчестерского университета, обучавший StormCast на Isambard-AI. — Мы только начинаем исследовать, как использовать эти фреймворки разными способами для моделирования сложных полей загрязнения».

Зачем это нужно: здоровье, политика, лесные пожары

Один из сценариев — упреждающие подсказки для здравоохранения: региональные и национальные медицинские службы могли бы заранее предупреждать пациентов с астмой о том, что загрязнение воздуха в их районе будет высоким завтра или на следующей неделе.

Другой — связка модели с edge AI-устройствами: данные о качестве воздуха в реальном времени могли бы обеспечивать решения в реальном времени, например при лесном пожаре.

«Чтобы улучшить здоровье людей, необходимо понимать влияние факторов среды в воздухе, которым мы дышим, — сказал Топпинг. — Наша модель загрязнения по всей Великобритании позволяет моделировать потенциальные будущие сценарии, например предсказать, что произойдёт при тех или иных изменениях государственной политики».

«То, что модель обучилась за два дня на Isambard-AI и теперь может работать на DGX Spark, стоящем на столе, меняет то, кто может заниматься этой наукой и как быстро, — сказал Нилл Робинсон, менеджер по связям с разработчиками в области погоды и климата в NVIDIA. — Мы только в начале того, что эти открытые рабочие процессы могут делать в глобальном масштабе».

Открытые данные и агентный интерфейс

Команда планирует выпустить обучающие данные и рабочие процессы по моделям загрязнения в открытом виде — чтобы похожие модели можно было обучить для других стран и регионов.

«Наша цель — предложить этот рабочий процесс всему миру, — сказал Топпинг. — Мы надеемся, что каждая страна и каждый крупный город с небольшим окном суперкомпьютерного AI-времени смогут получить собственные детальные модели загрязнения на своих локальных данных».

На горизонте пяти лет он видит конечной точкой агентный интерфейс: вопрос задаёт клиницист или государственное ведомство, а цепочка моделей делает всё остальное.

«При лучшем открытом доступе к наблюдениям за качеством воздуха кто-то мог бы спросить нашу модель загрязнения, работающую на DGX Spark: каким будет загрязнение в этом районе завтра? — сказал он. — И целая цепочка взаимодействий выдаст ответ, опирающийся на науку, которую представляют эти фреймворки».

Что в публикации не сказано

Метрик точности в объявлении нет: ни сравнения обученной модели с химическими моделями по ошибке прогноза, ни результатов независимой проверки — только описание подхода, использованного железа и сроков обучения.

Не названы и сроки открытия данных и рабочих процессов; рецензируемая публикация с описанием метода не упоминается ни в объявлении, ни на странице платформы.

Разрешение 2–3 квадратных километра и планы выйти на городской масштаб — это заявленные характеристики и намерения; конкретных примеров выданных прогнозов с оценкой качества в публикации нет.