Исследовательский институт DeepMind компании Google представил свою новейшую модель прогнозирования погоды GraphCast, которая может похвастаться более высокой точностью и скоростью по сравнению с рекордами, установленными китайским технологическим гигантом Huawei Technologies.
По результатам последних тестов GraphCast показала, что в большинстве тестовых сценариев она превосходит Pangu-Weather, хотя модель Pangu-Weather компании Huawei все еще лидирует в некоторых контрольных показателях, например, во временном разрешении, где она имеет меньший временной разрыв между каждым прогнозом.
Модель GraphCast обучалась и работает на 7-нм чипах, а Pangu-Weather — на 12-нм. Правительство США ввело жесткие санкции на доступ компании Huawei к передовым чипам искусственного интеллекта.
В ходе сравнительных тестов обе модели превзошли систему прогнозирования высокого разрешения (HRES), являющуюся давним отраслевым стандартом Европейского центра среднесрочных прогнозов погоды (ECMWF).
Эти впечатляющие результаты были зафиксированы в исследовании 18 ученых из Google DeepMind и Google Research и опубликованы в пятницу в последнем номере рецензируемого журнала Science.
Это событие знаменует собой очередную главу в соревновании в области искусственного интеллекта между Китаем и США, особенно в области прогнозирования погоды на основе машинного обучения (MLWP), где компании обеих стран опережают достижения конкурентов.
В этой области значительный вклад внесли такие разработки, как FourCastNet от NVIDIA, GraphCast от DeepMind и ClimaX от Microsoft. Среди последних достижений Китая можно отметить Pangu-Weather от Huawei и FengWu от Шанхайской лаборатории искусственного интеллекта.
DeepMind имеет опыт решения сложных задач. Победив человека в таких стратегических играх, как Go и StarCraft, компания обратила свои таланты к небу.
В сентябре 2021 года она выпустила модель для краткосрочного прогнозирования осадков. В статье, опубликованной в журнале Nature, было отмечено, что генеративная модель в 89% случаев превосходит по точности другие конкурентные методы.
Однако сложность среднесрочного прогнозирования погоды, которое предсказывает погодные тенденции на 4-10 дней вперед, представляет собой более сложную задачу.
Такие прогнозы крайне важны для таких отраслей, как сельское хозяйство, строительство и туризм, однако они требуют огромного объема данных.
Для осуществления такого прогнозирования метеорологические агентства, такие как ECMWF, полагаются на численное прогнозирование погоды (NWP), которое использует текущие и исторические данные со спутников и метеостанций и рассчитывает результаты на основе сложных физических правил.
Несмотря на свою надежность, NWP известен как дорогостоящий и требующий больших вычислительных затрат метод.
Китайская технологическая компания Huawei в ноябре 2022 года представила новую модель Pangu-Weather. Благодаря использованию трехмерных нейронных сетей эта модель впервые превзошла по точности традиционные методы NWP.
Вслед за Huawei компания DeepMind усовершенствовала свою модель GraphCast. Со временем, постоянно совершенствуясь, DeepMind вернула себе лидерство по точности.
Рассказывая о своих достижениях, компания DeepMind отметила значительную планку, установленную Huawei.
«GraphCast превзошла традиционные системы HRES в 90% тестовых случаев по 1380 целям и превзошла лучшую конкурирующую модель Pangu-Weather в 99,2% случаев по 252 целям, которые она представила в июле, — говорится в документе.
Редкий случай, когда в качестве эталона в конкурсе Google по искусственному интеллекту используется китайская компания, при этом GraphCast и Pangu-Weather имеют много общих черт.
Обе модели были обучены на метеорологических данных с 1979 по 2017 год, предоставленных ECMWF. В настоящее время они также доступны на сайте ECMWF в качестве экспериментальных моделей. Исследователи могут использовать их для прогнозирования различных элементов, таких как осадки и скорость ветра.
Каждая из них работает с разрешением 0,25 градуса по широте и долготе, разделяя поверхность Земли на более чем миллион сеток. Если GraphCast обновляет свои прогнозы каждые шесть часов, то Pangu-Weather — ежечасно.
По сложности модели GraphCast, насчитывающей 36,7 млн. параметров, она уступает миллиардному уровню параметров Pangu-Weather.
При этом обе модели требуют минимальных вычислительных ресурсов при реальном использовании. GraphCast в течение трех недель обучалась на 32 модулях Cloud TPU v4 собственной разработки Google, но для генерации 10-дневного прогноза менее чем за минуту ей требуется всего один TPU. Pangu-Weather может выдать 24-часовой прогноз погоды всего за 1,4 секунды на видеокарте V100 — более чем в 10 000 раз быстрее, чем традиционные методы.
Несмотря на все эти достижения, о которых рассказывается в научных статьях, ни GraphCast, ни Pangu-Weather пока не готовы заменить традиционные методы прогнозирования.
Ученый из Huawei Тянь Ци предупредил, что цель модели Pangu-Weather — не заменить, а предоставить экспертного помощника промышленным предприятиям, компаниям и частным лицам, сделав работу более эффективной.
Инженер-исследователь DeepMind Реми Лам поддержал эту точку зрения, подчеркнув, что подход института не должен рассматриваться как замена традиционным методам, которые прошли десятилетия развития и тщательного тестирования в реальных условиях.