Posts Recentes:

Cortesia da AI: previsões meteorológicas para a hora, a semana e o século


Os modelos de aprendizagem automática estão a assumir o controlo no campo da previsão meteorológica, desde um rápido “quanto tempo vai resistir esta chuva” até uma perspetiva de 10 dias, até previsões ao nível do século. A tecnologia é cada vez mais importante para os cientistas do clima, muito porquê para as aplicações e estações de notícias locais – e ainda assim não “compreende” o tempo mais do que você ou eu.

Durante décadas, a meteorologia e a previsão do tempo foram amplamente definidas pelo ajuste das observações em modelos e equações baseados na física cuidadosamente ajustados. Isso ainda é verdade – não há ciência sem reparo – mas os vastos arquivos de dados permitiram modelos de IA poderosos que cobrem praticamente qualquer graduação de tempo que você possa considerar. E o Google pretende dominar o campo de agora até a perpetuidade.

No extremo mais limitado do espectro temos a previsão imediata, que geralmente é consultada para a pergunta “preciso de um guarda-chuva?” Isto é servido por Modelos de “nowcasting” da DeepMindque basicamente analisam os mapas de precipitação porquê uma sequência de imagens – o que realmente são – e tentam prever porquê as formas nessas imagens irão evoluir e mudar.

Com incontáveis ​​horas de radar Doppler para estudar, o protótipo pode ter uma teoria bastante sólida do que acontecerá a seguir, mesmo em situações bastante complexas, porquê uma frente fria trazendo neve ou chuva congelante (porquê mostrado por pesquisadores chineses). aproveitando o trabalho do Google).

Oriente protótipo é um exemplo de porquê as previsões meteorológicas podem ser precisas quando feitas por um sistema que não tem conhecimento real sobre porquê esse clima acontece. Os meteorologistas podem dizer-lhe que quando nascente maravilha climatológico se depara com nascente outro, surge nevoeiro, ou saraiva, ou calor húmido, porque é isso que a física lhes diz. O protótipo de IA não sabe zero sobre física – sendo puramente fundamentado em dados, está simplesmente fazendo uma estimativa estatística do que vem a seguir. Assim porquê o ChatGPT não “sabe” realmente do que está falando, os modelos meteorológicos não “sabem” o que estão prevendo.

weather nowcast

Créditos da imagem: Google DeepMind

Pode ser surpreendente para aqueles que pensam que é necessária uma estrutura teórica sólida para produzir previsões precisas e, na verdade, os cientistas ainda têm receio de usar cegamente um sistema que não distingue uma pinga de chuva de um relâmpago de sol. Mesmo assim, os resultados são impressionantes, e em questões de ordinário risco porquê “vai chover enquanto estou caminhando para a loja” é mais do que suficiente.

Os pesquisadores do Google também exibiram recentemente um novo protótipo de prazo um pouco mais longo chamado MetNet-3, que prevê até 24 horas no porvir. Uma vez que você pode imaginar, isso traz dados de uma superfície maior, porquê estações meteorológicas em todo o condado ou estado, e suas previsões ocorrem em uma graduação maior. Isto é para coisas porquê “aquela tempestade vai cruzar as montanhas ou se dissipar” e assim por diante. Saber se a velocidade do vento ou o calor poderão entrar em território perigoso amanhã de manhã é precípuo para planear serviços de emergência e mobilizar outros recursos.

Hoje traz um novo desenvolvimento na graduação “médio alcance”, que é de 7 a 10 dias no porvir. Pesquisadores do Google DeepMind publicou um artigo na revista Science descrevendo o GraphCastque “prevê as condições climáticas com até 10 dias de antecedência com mais precisão e muito mais rapidez do que o sistema de simulação meteorológica padrão ouro da indústria”.

graphcast fig2

Créditos da imagem: Google DeepMind

O GraphCast diminui o zoom não unicamente no tempo, mas também no tamanho, cobrindo todo o planeta com uma solução de 0,25 graus de lonjura/latitude, ou murado de 28×28 quilômetros no equador. Isso significa prever porquê será em mais de um milhão de pontos ao volta da Terreno e, embora alguns desses pontos sejam de interesse mais óbvio do que outros, o objetivo é gerar um sistema global que preveja com precisão os principais padrões climáticos para na próxima semana ou assim.

“Nossa abordagem não deve ser considerada porquê um substituto para os métodos tradicionais de previsão do tempo”, escrevem os autores, mas sim “uma evidência de que o MLWP é capaz de enfrentar os desafios dos problemas de previsão do mundo real e tem potencial para complementar e melhorar os melhores métodos atuais”. .”

Ele não dirá se choverá na sua vizinhança ou unicamente na cidade, mas é muito útil para eventos climáticos de maior graduação, porquê grandes tempestades e outras anomalias perigosas. Eles ocorrem em sistemas com milhares de quilômetros de largura, o que significa que o GraphCast os simula com detalhes consideráveis ​​e pode prever seus movimentos e qualidades nos dias seguintes – e tudo isso usando uma única unidade de computação do Google por menos de um minuto.

graph cyclone2

Créditos da imagem: Google DeepMind

Esse é um vista importante: eficiência. A “previsão numérica do tempo”, os modelos tradicionais baseados na física, são computacionalmente caros. É simples que eles podem prever mais rápido do que o tempo acontece, caso contrário, seriam inúteis – mas é preciso ter um supercomputador para trabalhar e, mesmo assim, pode demorar um pouco para fazer previsões com pequenas variações.

Digamos, por exemplo, que você não tenha certeza se a intensidade de um rio atmosférico aumentará ou diminuirá antes que um tufão cruze seu caminho. Você pode querer fazer algumas previsões com diferentes níveis de aumento, e algumas com diferentes diminuições, e uma se permanecer a mesma, para que quando uma dessas eventualidades ocorrer, você tenha a previsão pronta. Mais uma vez, isto pode ser de enorme relevância quando se trata de situações porquê tempestades, inundações e incêndios florestais. Saber um dia antes que você terá que excretar uma superfície pode salvar vidas.

Esses trabalhos podem se tornar muito complexos muito rapidamente quando você contabiliza muitas variáveis ​​diferentes, e às vezes você terá que executar o protótipo dezenas de vezes, ou centenas, para ter uma noção real de porquê as coisas vão ocorrer. Se essas previsões levarem uma hora cada em um cluster de supercomputadores, isso é um problema; se for um minuto cada em um computador do tamanho de um desktop que você tem milhares, não há problema qualquer – na verdade, você pode encetar a pensar em prever variações maiores e mais sutis!

E essa é a teoria por trás o projeto ClimSim na AI2, o Instituto Allen de Perceptibilidade Sintético. E se você quisesse prever não unicamente 10 opções diferentes de porquê será a próxima semana, mas milénio opções de porquê será o próximo século?

Oriente tipo de ciência climática é importante para todos os tipos de planeamento a longo prazo, mas com uma enorme quantidade de variáveis ​​para manipular e previsões a trespassar há décadas, pode apostar que o poder computacional necessário é também enorme. Assim, a equipa da AI2 está a trabalhar com cientistas de todo o mundo para apressar e melhorar essas previsões utilizando a aprendizagem automática, melhorando as “previsões” à graduação do século.

climsim

Créditos da imagem: AI2

Os modelos ClimSim funcionam de forma semelhante aos discutidos supra: em vez de inserir números em um protótipo fundamentado na física e ajustado manualmente, eles consideram todos os dados porquê um campo vetorial interconectado. Quando um número sobe e faz com que outro suba pela metade, mas um terço caia um quarto, essas relações são incorporadas na memória do protótipo de aprendizagem de máquina, mesmo que ele não saiba que elas pertencem a (digamos) CO atmosférico2temperatura da superfície e biomassa oceânica.

O líder do projeto com quem conversei disse que os modelos que eles construíram são impressionantemente precisos, ao mesmo tempo que são muito mais baratos para serem executados computacionalmente. Mas ele admitiu que os cientistas, embora mantenham a mente oportunidade, operam (porquê é proveniente) a partir de um clima de ceticismo. O código está todo aqui se você quiser dar uma olhada você mesmo.

Com prazos tão longos e com as alterações climáticas tão rápidas, é difícil encontrar dados concretos adequados para previsões a longo prazo, mas essas previsões estão a tornar-se cada vez mais valiosas. E porquê apontaram os pesquisadores do GraphCast, nascente não substitui outros métodos, mas sim um método complementar. Não há incerteza de que os cientistas do clima vão querer todas as ferramentas que puderem obter.

Últimas

Assine

spot_img

Veja Também

spot_img

Paul Graham afirma que Sam Altman não foi demitido da Y Combinator

Em um série de postagens no X na quinta-feira, Paul Graham, cofundador da aceleradora de startups Y Combinator, rejeitou as alegações de que...

A desinformação funciona, e um punhado de “supercompartilhadores” sociais enviou 80% dela em 2020

Dois estudos publicados quinta-feira na revista Science oferecem evidências não apenas de que a desinformação nas redes sociais muda as mentes, mas que...