DeepMind Und Google Research Arbeiten Zusammen, Um Einen „sechseckigen Krieger“ Für Die KI-Wettervorhersage Zu Entwickeln

Am 10. Dezember gab Nature die zehn besten Persönlichkeiten des Jahres 2024 bekannt. Obwohl der Goldgehalt nicht so beeindruckend ist wie der Nobelpreis, kann man von dieser renommierten Fachzeitschrift mit ihrer über 100-jährigen Geschichte sagen, dass sie Zeuge des wissenschaftlichen Fortschritts ist. Daher repräsentieren diese zehn Persönlichkeiten in gewissem Maße auch die wichtigen wissenschaftlichen Ereignisse dieses Jahres. In der engeren AuswahlEiner von ihnen ist Rémi Lam, ein Forscher bei Google DeepMind.

Nature berichtete in seinem Bericht:Lam ist ein Pionier bei der Nutzung maschinellen Lernens zur Verbesserung der Wettervorhersage.In diesem Bereich gab es in den letzten Jahren enorme Fortschritte, und Lam und sein Team waren an vorderster Front dabei. Obwohl Unternehmen/Institutionen wie Microsoft, Nvidia, Huawei und das Europäische Zentrum für mittelfristige Wettervorhersage (ECMWF) um die Wette bei der Entwicklung KI-gestützter Wettervorhersagesysteme liefern. „Aber in puncto Genauigkeit war dieses Jahr größtenteils ein von Lam geleitetes Projekt namens GraphCast führend.“

Es ist erwähnenswert, dass Lams Team kurz vor der Veröffentlichung der Liste ein neues Wettervorhersagemodell namens GenCast vorschlug, das einen neuen Rekord aufstellte.Ein zufälliger Satz globaler 15-Tage-Vorhersagen kann in 8 Minuten erstellt werden.Deckt mehr als 80 Oberflächen- und Atmosphärenvariablen ab.

Einige Leser fragen sich vielleicht, warum DeepMind oder Google nicht den Entwicklungspfad von AlphaFold für die Wettervorhersage gewählt haben, also das gleiche Modell weiter zu iterieren und ein „phänomenales“ Produkt zu schaffen? Der Autor spekuliert mutig, dass dies einerseits eng mit dem Prognosezyklus zusammenhängt. Kurzfristige, mittelfristige und langfristige Wettervorhersagen sind auf unterschiedliche Szenarien anwendbar und stellen unterschiedliche Anforderungen an die Genauigkeit, sodass es schwierig ist, Konsistenz zu gewährleisten. Andererseits geht es auch um die Erforschung technischer Wege, mit denen der Bereich der Wettervorhersage derzeit konfrontiert ist – ob KI die Welt dominieren wird oder ob traditionelle numerische Vorhersagen und KI-Vorhersagen nebeneinander existieren werden.

Berücksichtigung kurzfristiger/mittelfristiger/langfristiger Prognosen, Integration traditioneller Methoden mit KI

Kurzfristige Prognose,Bezieht sich normalerweise auf die Wetterbedingungen in den nächsten 1–3 Tagen und liefert relativ detaillierte Informationen zu Wetteränderungen, wie Temperatur, Niederschlag, Windgeschwindigkeit und -richtung usw., hauptsächlich um den Menschen Orientierung für ihr tägliches Leben zu geben und bei starkem Regen rechtzeitig Vorkehrungen zu treffen;Mittelfristige Prognose,Es bezieht sich auf die Wettervorhersage für die nächsten 3–10 Tage. Die Trendprognose hat einen größeren Bereich und wird hauptsächlich für die landwirtschaftliche Planung, die Stauseeplanung, Hochwasser-/Dürrewarnung und die Planung der Logistikversorgungskette verwendet.Langfristige Prognose,Dabei handelt es sich um Wettervorhersagen für mehr als zehn Tage im Voraus. Sie liefern Informationen zu sich ändernden Trends und Klimamustern und können für die Planung von Großprojekten wie Infrastrukturprojekten verwendet werden. Außerdem können Gesundheitsämter damit im Voraus Vorkehrungen gegen den Druck auf medizinische Ressourcen treffen, der durch extreme Wetterbedingungen wie Kältewellen und hohe Temperaturen verursacht wird.

Konzentrieren wir uns auf die technische Ebene,Kurzfristige Prognosen erfordern eine höhere zeitliche Auflösung und verfeinerte Modelle, beispielsweise auf Deep Learning basierende Zeitreihenmodelle. Mittelfristige Prognosen müssen die dynamischen Prozesse der Atmosphäre und des Ozeans über einen längeren Zeitraum berücksichtigen. Langfristige Prognosen basieren eher auf Mustererkennung und Statistiken als auf hochauflösenden numerischen Simulationen.

Generell ist es für ein einzelnes Modell schwierig, die Komplexität kurz-, mittel- und langfristiger Prognosen gleichzeitig zu bewältigen. Beispielsweise erfordern kurzfristige Prognosen eine hohe Auflösung, während langfristige Prognosen eine breite Abdeckung erfordern. Kurzfristige Wettervorhersagen sind genauer, während langfristige Wettervorhersagen größere Fehler aufweisen …Diese Unterschiede erfordern, dass das Modell Kompromisse zwischen verschiedenen Aufgaben eingeht, was die Modelloptimierung erschwert.

Daher zielen die meisten aktuellen Forschungsergebnisse auf eine hohe Genauigkeit und einen geringen Zeitaufwand bei einzelnen Aufgaben ab. Auch Google verfolgte zunächst diese Strategie.

Im Jahr 2023 wurde GraphCast, für das Lam verantwortlich ist, eingeführt. Dies ist ein autoregressives Modell basierend auf Graph-Neural-Networks, das von DeepMind für mittelfristige Wettervorhersagen vorgeschlagen wurde. Es kann direkt anhand von Reanalysedaten trainiert werden und Hunderte von Wettervariablen für die nächsten 10 Tage weltweit mit einer Auflösung von 0,25° innerhalb von 1 Minute vorhersagen. Unter 1.380 Validierungszielen übertrifft GraphCast das genaueste deterministische Geschäftssystem auf 90%-Zielen deutlich.

In Bezug auf die Vorhersagegeschwindigkeit wird eine einzelne Google TPU v4 benötigt, um eine 10-Tage-Wettervorhersage in 60 Sekunden zu erstellen.

Geben Sie einfach die Wetterbedingungen von vor 6 Stunden und die aktuellen Wetterbedingungen ein, und GraphCast kann die Wetterbedingungen für die nächsten 6 Stunden vorhersagen. Dieser Prozess wird in 6-Stunden-Schritten fortgesetzt und bietet bis zu 10 Tage aktuelle Prognosen.

Im Jahr 2024 veröffentlichte Google Research NeuralGCM. Der Name dieses Tools zur langfristigen Wettervorhersage zeigt, für welche Technologie sich das Forschungsteam entschieden hat: „Neural“ steht für ein neuronales Netzwerk und „GCM“ ist der vollständige Name von „General Circulation Models“, einem physikbasierten Wettersimulator. Wie der Name schon sagt,NeuralGCM kombiniert einen differenzierbaren Löser für atmosphärische Dynamik mit maschinellem Lernen.Die Kombination traditioneller physikalischer Methoden und künstlicher Intelligenz ist genau der allgemeine Trend im aktuellen Bereich der Wettervorhersageforschung.

Bevor die KI die meteorologische Forschung revolutionierte, war die numerische Vorhersage in diesem Bereich fast hundert Jahre lang die gängige Technologie. Es basiert auf den Prinzipien der Physik und der meteorologischen Theorie und sagt die sich ändernden Trends der atmosphärischen Bedingungen voraus, indem es die Fluiddynamik- und Thermodynamikgleichungen löst, die die atmosphärische Bewegung beschreiben. Nach dem Aufkommen von Technologien wie maschinellem Lernen gab es in der Branche viele Diskussionen: Wird KI die numerische Prognose vollständig ersetzen?

Nun scheint die Kombination aus beidem die beste Lösung zu sein. Am Beispiel von NeuralGCM lässt sich sagen, dass KI-Technologie zwar auf herkömmliche Computer angewiesen ist, um großräumige physikalische Prozesse zu simulieren, sie kann jedoch auch kleinräumige Phänomene (wie Wolkenbildung und regionales Mikroklima) verarbeiten und in kleinem Maßstab angesammelte Fehler korrigieren.

Auf dieser Grundlage hat NeuralGCM einen Quantendurchbruch in der Leistung erzielt. Von 1- bis 15-tägigen Wettervorhersagen bis hin zu 10-jährigen Klimaprognosen ist seine Genauigkeit mit den besten Modellen dieser Art in verschiedenen Zeitskalen vergleichbar.

Insbesondere übertrifft sein deterministisches Modell NeuralCGM-0.7° mit einer Auflösung von 0,7° reine Modelle des maschinellen Lernens in der Genauigkeit der Wettervorhersage. Bei 1- bis 15-Tages-Vorhersagen liegt es auf Augenhöhe mit dem Europäischen Zentrum für mittelfristige Wettervorhersage (ECMWF). Gleichzeitig stimmen die Ergebnisse der 40-jährigen Klimavorhersagesimulation von NeuralGCM im Hinblick auf die langfristige Klimavorhersage mit dem in den ECMWF-Daten dargestellten globalen Erwärmungstrend überein.

DeepMinds neue Errungenschaften in der Wettervorhersage

Am 4. Dezember veröffentlichte DeepMind in Nature eine Forschungsarbeit mit dem Titel „Probabilistische Wettervorhersage mit maschinellem Lernen“.Es wird eine neue Methode zur maschinellen Lernwettervorhersage namens GenCast vorgeschlagen.Rémi Lam ist einer der korrespondierenden Autoren. Diese Methode ergänzt das Puzzle von Google im Bereich der Wettervorhersage um ein weiteres Stück und macht es vom technischen Ansatz bis hin zur Vorhersagegenauigkeit vollständiger.
Papieradresse:
https://www.nature.com/articles/s41586-024-08252-9

Was die technische Route betrifft,Obwohl es sich bei beiden um Methoden des maschinellen Lernens handelt, unterscheidet sich GenCast von GraphCast dadurch, dass es auf einem Graph-Neuralnetzwerk basiert. Stattdessen wird es basierend auf einem Diffusionsmodell implementiert und verwendet den Transformer, um den Rauschunterdrückungsprozess abzuschließen. Gleichzeitig hat GenCast im Hinblick auf die Vorhersagegenauigkeit seine räumliche Auflösung im Vergleich zu NeuralGCM deutlich verbessert und kann kleinräumige Wetterphänomene klarer beschreiben.

Insbesondere wird GenCast anhand von Reanalysedaten aus Jahrzehnten trainiert.Eine 15-tägige globale Wettervorhersage mit einer zufälligen Sammlung kann in 8 Minuten erstellt werden.Die Ausgabe erfolgt alle 12 Stunden mit einer räumlichen Auflösung von 0,25° (Breitengrad-Längengrad) und deckt mehr als 80 Oberflächen- und Atmosphärenvariablen ab. Die Forscher werteten 1.320 Prognoseziele aus und die Ergebnisse zeigten, dass GenCast beim Ziel von 97,2% bessere Ergebnisse erzielte als ENS (Ensemble Numerical Weather Prediction System), insbesondere bei Extremwetter, der Vorhersage der Zugbahn tropischer Wirbelstürme und der Vorhersage der Windenergieerzeugung.

Zusammenfassend lässt sich sagen, dass DeepMind und Google Research zusammengearbeitet haben, um das Thema Wettervorhersage zu erforschen und dabei eine umfassendere Abdeckung zu erreichen, während sie gleichzeitig technische Wege erkundeten – darunter deterministische mittel- und kurzfristige Wettervorhersagen sowie langfristige Klimaprognosen; reine maschinelle Lernmethoden mit hervorragender Leistung und „sechseckige Krieger“, die numerische Prognosen und KI integrieren.

Hundert Denkschulen konkurrieren darum, ein Wettervorhersagemodell auf der Grundlage von Schwachstellen zu entwickeln

Zugegebenermaßen ist Google nicht das einzige Unternehmen, das den Bereich der Wettervorhersage dominiert. Huawei, Microsoft, Nvidia und andere haben alle entsprechende Ergebnisse veröffentlicht. Obwohl sie nicht so „umfassend“ sind wie Google, haben sie alle ihre eigenen Stärken.

Beispielsweise ist das Wettervorhersagemodell Pangu von Huawei die erste KI-Methode, deren Vorhersagegenauigkeit die herkömmlicher numerischer Vorhersagemodelle übertrifft und deren Vorhersagegeschwindigkeit um mehr als das 10.000-fache gesteigert werden kann. Ziel ist es, das Problem der unzureichenden Genauigkeit von KI-Wettervorhersagen zu lösen.Es wird ein 3D-erdspezifischer Transformator vorgeschlagen.Um die Anzahl der Prognoseiterationen und damit den Iterationsfehler zu verringern, wird eine hierarchische Zeitbereichsaggregationsstrategie verwendet.

Microsofts erstes groß angelegtes atmosphärisches Basismodell, Aurora,Es kann mit einer hohen räumlichen Auflösung von 0,1° arbeiten und so die komplizierten Details der atmosphärischen Bewegung erfassen.Hochauflösende Wettervorhersagen für 10 Tage können in weniger als 1 Minute erstellt werden.

NVIDIA hat mit EARTH-2 sogar eine Full-Stack-Open-Cloud-Plattform für digitale Klimazwillinge entwickelt, die alle Ergebnisse von Klimaforschern integriert, damit sie von Wissenschaftlern auf der ganzen Welt geteilt und genutzt werden können.

Es gibt unzählige Errungenschaften in der akademischen Welt.FengWu-GHR, das erste KI-Wettermodell, das die Vorhersageauflösung auf 0,09° verbessert,„Fuxi“, das für untersaisonale Klimavorhersagen usw. verwendet werden kann.

Es besteht kein Zweifel daran, dass die Forschung zur Wettervorhersage derzeit boomt. Hunderte von Denkschulen konkurrieren miteinander, und es gibt mehrere technische Ansätze, die parallel laufen und die einerseits die räumliche Auflösung verbessern, andererseits aber den mittel- und kurzfristigen deterministischen Vorhersagen und Klimaprognosen so umfassend wie möglich gerecht werden. Angesichts der kontinuierlichen Weiterentwicklung der KI-Technologie bleibt abzuwarten, ob sich in Zukunft eine Mainstream-Technologie herausbilden wird, die die Welt beherrscht. Kurzfristig ist die Kombination aus KI und traditioneller numerischer Prognose jedoch immer noch die bessere Lösung. Wie auf dieser Grundlage die räumliche Auflösung durchbrochen werden kann, muss noch erforscht werden.

Quellen:
1.https://www.nature.com/articles/d41586-024-03898-x
2.https://mp.weixin.qq.com/s/boOoF782fm1s65hCQ-smpg
3.https://mp.weixin.qq.com/s/0krO