Ученые из Чикагского университета объединили искусственный интеллект с климатической моделью и математическим аппаратом для анализа редких событий. Новый подход позволил точно и быстро прогнозировать экстремальную жару, на что раньше уходили недели расчетов.
Экстремальная погода опасна и труднопредсказуема. Заморозки в Техасе в 2021 году привели к гибели сотен людей, волна жары в Москве в 2010-м нанесла огромный ущерб. Морозы в Техасе или московская жара, больше всего похожая на погоду в Сахаре, — очень редкие события. Их невозможно воспроизвести статистически и трудно предсказать их появление в будущем. Климатические модели работают медленно, требуя недели расчетов на суперкомпьютерах для оценки вероятностей редких катастроф. Новый подход сокращает время расчета, используя ИИ как интеллектуальный фильтр для выявления наиболее вероятных сценариев при экстремальных погодных изменениях.
Инструменты искусственного интеллекта преобразили метеопрогнозы, научившись находить закономерности в прошлых наблюдениях и предсказывать будущее. Но модели до сих пор плохо справлялись с экстремальными явлениями, которые случаются все чаще из-за потепления климата, но на которых модели не обучались из-за редкости таких явлений. Но если «предсказывать завтрашнюю погоду по вчерашней» получается не слишком точно, говорит специалист по данным из Бостонского университета Джейкоб Ландсберг.
Команда физика Педрама Хассанзаде из Чикагского университета предложила решение. Исследователи объединили ИИ-модель Pangu-Weather китайской компании Huawei Cloud с обычной «долгой» климатической моделью и добавили математические методы для анализа статистики редких событий. Работа опубликована на сервере arxiv.
Такая синтетическая система смогла предсказать высокую вероятность экстремальной жары в Чикаго и во Франции гораздо быстрее, чем только климатическая модель. Искусственный интеллект выявлял сценарии, которые с наибольшей вероятностью приведут к экстремальной погоде, и направлял обычную модель на расчет только отфильтрованных прогнозов, что значительно ускорило расчет.
Чему научили модель
Одна из проблем чистых ИИ-моделей — ограниченность данных для обучения. Ученые располагают всего лишь 40 годами подробных наблюдений, а ведь нужно предсказать погодную аномалию, которая случается раз в тысячу лет. Например, по оценкам метеорологов, такая погода как в Москве летом 2010 года случается в регионе примерно раз в 5000 лет.
Команда протестировала чистые ИИ-модели на реальных катастрофах. GraphCast от Google DeepMind точно предсказала бы беспрецедентные дожди в Дубае в апреле 2024 года за восемь дней. Модель FourCastNet от NVIDIA промахнулась с самыми сильными тропическими циклонами, которых не было в ее обучающей выборке.
Ученые считают, что применяя быстрые ИИ-модели для поиска наиболее вероятных сценариев и классические модели, основанные на законах физики, для обсчета только найденных сценариев можно получить быстрый и надежный прогноз.