TL;DR
- 4 دسامبر 2024 ScienceIlan Price و Matthew Willson مدل هوش مصنوعی جدید پیشبینی عدم قطعیتها و خطرات آبوهوا.
- را پیشبینی میکند و پیشبینیهای سریعتر و دقیقتری را تا 15 روز آینده ارائه میدهد.
- از آنجایی که تغییرات آب و هوایی منجر به رویدادهای شدید آب و هوایی میشود،.
چه اتفاقی افتاد
4 دسامبر 2024 ScienceIlan Price و Matthew Willson مدل هوش مصنوعی جدید پیشبینی عدم قطعیتها و خطرات آبوهوا. را پیشبینی میکند و پیشبینیهای سریعتر و دقیقتری را تا 15 روز آینده ارائه میدهد.
از آنجایی که تغییرات آب و هوایی منجر به رویدادهای شدید آب و هوایی میشود،. پیش بینیهای دقیق و قابل اعتماد بیش از هر زمان دیگری ضروری است.
با این حال،. آب و هوا را نمیتوان بهطور کامل پیش بینی کرد،.
و پیش بینیها به ویژه پس از چند روز نامشخص هستند. از آنجایی که پیش بینی آب و هوای کامل ممکن نیست،.
دانشمندان و آژانسهای هواشناسی از پیش بینیهای مجموعه احتمالی استفاده میکنند،. جایی که مدل طیفی از سناریوهای احتمالی آب و هوا را پیش بینی میکند.
چنین پیشبینیهایی مفیدتر از تکیه بر یک پیشبینی واحد هستند،. زیرا تصویر کاملتری از شرایط آب و هوایی احتمالی در روزها و هفتههای آینده و میزان احتمال هر.
سناریو را در اختیار تصمیمگیرندگان قرار میدهند. امروز،.
در مقالهای که در Nature منتشر شده،. GenCast،.
مدل جدید مجموعه هوش مصنوعی با وضوح بالا (0. 25 درجه) را ارائه میدهیم.
GenCast پیشبینی بهتری از آب و هوای روزانه و رویدادهای شدید را نسبت به سیستم عملیاتی برتر،. مرکز اروپایی پیشبینیهای هوای متوسط (ECMWF) ENS،.
تا 15 روز قبل ارائه میدهد. ما کد،.
وزنها و پیشبینیهای مدل خود را منتشر میکنیم تا از جامعه گستردهتر پیشبینی آب و هوا پشتیبانی کنیم. تکامل مدلهای آبوهوای هوش مصنوعی GenCast نشاندهنده یک پیشرفت مهم در پیشبینی آبوهوای مبتنی بر هوش مصنوعی است.
که بر اساس مدل آبوهوای قبلی ما،. که قطعی بود،.
و بهترین تخمین واحد از آبوهوای آینده را ارائه میکند. در مقابل،.
یک پیشبینی GenCast شامل مجموعهای از 50 یا بیشتر پیشبینی است که هر کدام یک مسیر احتمالی آب. و هوا را نشان میدهند.
تولید ویدیو و موسیقی با این حال،. GenCast با این موارد متفاوت است،.
زیرا با هندسه کروی زمین تطبیق داده شده است،. و یاد میگیرد که بهطور دقیق توزیع احتمال پیچیده سناریوهای آب و هوای آینده را زمانی که.
جدیدترین وضعیت آب و هوا بهعنوان ورودی داده میشود،. تولید کند.
برای آموزش GenCast،. ما چهار دهه دادههای آب و هوای تاریخی را از بایگانی ERA5 ECMWF ارائه کردیم.
این دادهها شامل متغیرهایی مانند دما، سرعت باد و فشار در ارتفاعات مختلف است. این مدل الگوهای آب و هوای جهانی را با وضوح 0.
25 درجه، مستقیماً از این دادههای آبوهوای پردازششده یاد گرفت. تنظیم استاندارد جدیدی برای پیشبینی آبوهوا برای ارزیابی دقیق عملکرد GenCast،.
ما آن را بر روی دادههای آبوهوای تاریخی تا سال 2018 آموزش دادیم و آنها را بر روی. دادههای سال 2019 آزمایش کردیم.
GenCast مهارت پیشبینی بهتری نسبت به ECNSWF از سیستم عملیاتی برتر ENSWF نشان داد. ملی و تصمیمگیریهای محلی به هر روز بستگی دارد.
ما هر دو سیستم را بهطور جامع آزمایش کردیم،. به پیشبینی متغیرهای مختلف در زمانهای مختلف منجر شد - در مجموع 1320 ترکیب.
GenCast در 97. 2 درصد از این اهداف، در 99.
8 درصد از ENS دقیقتر بود. پیش بینیهای بهتر آب و هوای شدید،.
مانند امواج گرما یا بادهای قوی،. اقدامات پیشگیرانه به موقع و مقرون به صرفه را امکان پذیر میکند.
GenCast ارزش بیشتری نسبت به ENS هنگام تصمیمگیری در مورد آمادگی برای آب و هوای شدید،. در طیف گستردهای از سناریوهای تصمیمگیری ارائه میدهد.
اگر بیشتر پیش بینیها نشان دهند که یک طوفان به همان منطقه برخورد میکند،. عدم اطمینان کم است.
اما اگر مکانهای مختلف را پیش بینی کنند، عدم قطعیت بیشتر است. GenCast تعادل درستی را ایجاد میکند،.
و از اغراقآمیز یا اغراق اجتناب میکند اطمینان خود را نسبت به پیشبینیهایش کمتر اعلام میکند. تنها ۸ دقیقه طول میکشد تا یک Google Cloud TPU v5 یک پیشبینی ۱۵ روزه در گروه GenCast.
ایجاد کند،. و هر پیشبینی در گروه میتواند بهطور همزمان و بهطور موازی ایجاد شود.
پیشبینیهای مجموعه مبتنی بر فیزیک سنتی مانند آنچه که توسط ENS تولید میشود، با وضوح 0. 2 درجه یا 0.
1 درجه، ساعتها در یک ابررایانه با دهها هزار پردازنده به طول میانجامد. پیشبینیهای پیشرفته برای رویدادهای شدید آب و هوایی پیشبینی دقیقتر خطرات آب و هوای شدید میتواند به مقامات.
کمک کند تا از جانهای بیشتر محافظت کنند،. از آسیب جلوگیری کنند و در هزینهها صرفهجویی کنند.
وقتی توانایی GenCast را برای پیشبینی گرما و سرمای شدید و سرعت باد بالا آزمایش کردیم،. GenCast بهطور مداوم از ENS بهتر بود.
اکنون طوفانهای استوایی را در نظر بگیرید که بهعنوان طوفان و طوفان نیز شناخته میشوند. دریافت هشدارهای بهتر و پیشرفتهتر در مورد جایی که آنها به زمین حمله میکنند بسیار ارزشمند.
است. GenCast پیش بینیهای برتر را ارائه میدهد ردیابی این طوفانهای مرگبار.
پیشبینی گروه GenCast طیف گستردهای از مسیرهای احتمالی طوفان هاگیبیس را هفت روز قبل نشان میدهد،. اما گسترش مسیرهای پیشبینیشده طی چند روز به خوشهای با اطمینان بالا و دقیق تبدیل میشود،.
زیرا طوفان ویرانگر به سواحل ژاپن نزدیک میشود. پیشبینیهای بهتر، چنین جامعهای میتواند نقش کلیدی در برنامهریزی انرژی داشته باشد.
بهعنوان مثال،. بهبود در پیشبینی انرژی بادی بهطور مستقیم قابلیت اطمینان نیروی بادی را بهعنوان منبع انرژی پایدار افزایش میدهد.
و بهطور بالقوه پذیرش آن را تسریع میکند. در یک آزمایش اثبات اصل که پیشبینیهای کل نیروی باد تولید شده توسط گروهبندی نیروگاههای بادی در سرتاسر.
جهان را تحلیل میکرد،. GenCast دقیقتر از ENS بود.
پیشبینی نسل بعدی و درک آب و هوا در GoogleGenCast بخشی از مجموعه رو به رشد گوگل از. نسل بعدی مبتنی بر هوش مصنوعی است.
مدلهای آبوهوا،. از جمله پیشبینیهای میانبرد قطعی مبتنی بر هوش مصنوعی Google DeepMind و مدلهای NeuralGCM،.
SEEDS و سیلهای Google Research. این مدلها شروع به تقویت تجربیات کاربر در جستجوی Google و Maps کردهاند و پیشبینی بارش،.
آتشسوزی،. سیل و گرمای شدید را بهبود میبخشند.
ما عمیقاً برای مشارکت خود با آژانسهای هواشناسی ارزش قائل هستیم و به کار با آنها برای توسعه. روشهای مبتنی بر هوش مصنوعی که پیشبینی آنها را بهبود میبخشد،.
ادامه خواهیم داد. در همین حال، مدلهای سنتی برای این کار ضروری هستند.
برای یک چیز،. آنها دادههای آموزشی و شرایط آب و هوایی اولیه مورد نیاز مدلهایی مانند GenCast را ارائه.
میدهند. این همکاری بین هوش مصنوعی و هواشناسی سنتی،.
قدرت یک رویکرد ترکیبی برای بهبود پیشبینیها و خدمت بهتر به جامعه را برجسته میکند. برای تقویت همکاری گستردهتر و کمک به تسریع تحقیق و توسعه در جامعه آب و هوا و آب.
و هوا ما GenCast را به یک مدل باز تبدیل کرده ایم و کدها و وزنهای آن را منتشر. کرده ایم،.
همانطور که برای مدل قطعی پیشبینی آب و هوای بینبرد جهانی خود انجام دادیم. به زودی پیشبینیهای بیدرنگ و تاریخی را از GenCast و مدلهای قبلی منتشر خواهیم کرد،.
که به هر کسی امکان میدهد این ورودیهای آبوهوا را در مدلهای خود و جریانهای کاری پژوهشی خود،. از جمله با پژوهشگران علمیو پژوهشگران،.
درگیر کند. هواشناسان، دانشمندان داده، شرکتهای انرژیهای تجدیدپذیر و ها بر امنیت غذایی و واکنش به بلایا تمرکز کردند.
چنین مشارکتهایی بینش عمیق و بازخورد سازنده و همچنین فرصتهای ارزشمندی برای تأثیرات تجاری و غیرتجاری ارائه میدهند،. که همگی برای مأموریت ما برای به کارگیری مدلهایمان به نفع بشریت حیاتی هستند.
قدردانی ما میخواهیم از رایا هادسل برای حمایت از این کار قدردانی کنیم. ما از مولی بک سپاسگزاریم ارائه پشتیبانی قانونی؛
برنامههای بن گایارین،. رز پیاز و کریس برای ارائه پشتیبانی مجوز؛
متیو چانتری،. پیتر دوبن و تیم اختصاصی ECMWF برای کمک و بازخوردشان؛
و به منتقدان ما برای بازخورد دقیق و سازندهشان. این کار منعکسکننده مشارکت نویسندگان مقاله است:.
ایلان پرایس،. آلوارو سانچز-گونزالس،.
فران آلت،. تام اندرسون،.
اندرو الکادی،. دومینیک مسترز،.
تیمو اوالدز،. جکلین استات،.
شاکر لاتهیو،. پیتر ویتام،.
پیتر لاتهومی،. و پیتر .
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.