Az időjárás előrejelzése nem csupán arról szól, hogy viszünk-e magunkkal aznap esernyőt, hanem akár életeket is menthet az extrém jelenségek időben történő jelzésével. Az időjárás előrejelzése azonban cseppet sem egyszerű. A hagyományos, numerikus időjárás-előrejelzésen alapuló módszerek olyan összetett egyenletek megoldását foglalják magukban, amelyek a légkör dinamikáját szimulálják. Ezek a matematikai egyenletek leírják, hogy a levegő, a víz és az energia hogyan hatnak egymásra a légkörben. Ha az aktuális időjárási adatokat beviszik ezekbe az egyenletekbe, akkor jelezhetők az időjárás jövőbeli állapotai, például a hőmérséklet, a szélminták és a csapadék – magyarázza a ZME Science.

Bár ez a módszer elég jól bevált, azonban számításigényes és lassú is lehet, gyakran nagy szuperszámítógépekre és többórás feldolgozási időre van szükség az előrejelzések generálásához, különösen a hosszú távú vagy nagy felbontású előrejelzések esetében.

A DeepMind ötlete az volt, hogy beveti a gépi tanulást. Nem volt egészen kezdő ezen a területen, ugyanis tavaly bemutatta a GraphCastet, ami kevesebb mint 1 perc alatt adott 10 napos időjárás-előrejelzést. A tesztek során az is kiderült, hogy a GraphCast az esetek 90 százalékában felülmúlta a hagyományos előrejelzési technológiákat. Alig öt hónappal ezelőtt pedig közzétették a NeuralGCM hibrid időjárás-előrejelzési modellt, amely egy hagyományos, fizikán alapuló időjárás-előrejelzőt kombinált gépi tanulási komponensekkel. Volt tehát mire építeni.

A most bemutatott GenCastet egyedül történelmi időjárási adatokkal képezték ki, ami lehetővé teszi a rendszer számára, hogy összetett összefüggéseket tárjon fel olyan változók között, mint a légnyomás, a páratartalom, a hőmérséklet és a szél. Ez segít abban, hogy felülmúlja a szigorúan fizikán alapuló rendszereket – állítja Ilan Price, a londoni Google DeepMind kutatója és a GenCastet részletező tanulmány szerzője.

A kutatók 2018-ig rögzített időjárási adatokkal tanították a GenCastet, majd tesztelték azzal, hogy jelezze előre a 2019-es időjárási mintákat. Az eredmény önmagáért beszél: a GenCast 15 napos globális előrejelzések együttesét állította elő példátlan (27 km-es) felbontással és sebességgel. Mindössze nyolc perc alatt a modell több mint 80 időjárási változóra készített előrejelzést 12 órás időközönként.

Google DeepMind

E lenyűgöző tudás magyarázata, hogy a rendszer képes modellezni a valószínűségi eredményeket. A DeepMind gépi tanulásának köszönhetően ez sokkal hatékonyabb, mint a determinisztikus megközelítések. A GenCast előrejelzési pontossága messze felülmúlta az ENS-t (ez a Középtávú Időjárás-előrejelzések Európai Központjának vezető modellje): 36 óránál hosszabb átfutási idővel a GenCast a célok 99,8 százalékánál pontosabb volt, mint az ENS.

Azonban a GenCast sem tökéletes. A korábbi adatokra való támaszkodása korlátozza a teljesítményt a valós idejű frissítéseket igénylő forgatókönyvekben, illetve az sem világos még, hogy mennyire képes kezelni a „pillangóeffektusokat”, a növekvő bizonytalanságok sorozatát, amelyek egyre elterjedtebbé válnak, amikor a rendszer ráközelít a mikroklímára. És persze továbbra is kritikus lépés marad a GenCast integrálása a meglévő időjárási infrastruktúrával. Ettől függetlenül a modell alaptechnológiája az időjárás-előrejelzésen túl az éghajlat-modellezésben, a katasztrófakockázat-értékelésben és még a bolygótudományban is alkalmazható.

A DeepMind csapata nyílt forráskódúvá tette a GenCast kódját, és nem kereskedelmi használatra elérhetővé teszik a „súlyoknak” nevezett modellparamétereket. Azt is megígérték, hogy hamarosan kiadják a GenCast valós idejű és történelmi előrejelzéseit, valamint a korábbi modelleket, amelyek lehetővé teszik, hogy bárki integrálja ezeket az időjárási bemeneteket a saját modelljébe és kutatási munkafolyamataiba. „Ez lehetővé teszi a szélesebb kutatói és meteorológiai közösség számára, hogy részt vegyen munkánkban, tesztelje, lefuttassa és építsen rá, felgyorsítva ezzel a terület további fejlődését” – mondta Price.

Egyelőre még nem tudni pontosan, mikortól fog élesben is működni a GenCast, de a DeepMind közléséből annyi azért kiderül, hogy a modellek eredményeit elkezdik beépíteni a Google különféle szolgáltatásaiba.

Ha máskor is tudni szeretne hasonló dolgokról, lájkolja a HVG Tech rovatának Facebook-oldalát.