AI artık DeepMind sayesinde en iyi hava tahminlerinden daha iyi performans gösteriyor - Dünyadan Güncel Teknoloji Haberleri

AI artık DeepMind sayesinde en iyi hava tahminlerinden daha iyi performans gösteriyor - Dünyadan Güncel Teknoloji Haberleri

GraphCast sinir ağıyla donatılmış Lam ve ekibi, hava basıncı, sıcaklık, rüzgar hızı ve daha fazlasına ilişkin 39 yıllık ERA5 verilerini topladı ve ardından 10 yıllık bir süre içinde bundan sonra ne olacağını tahmin etme yeteneklerini ölçtü Her kişinin bir nokta olduğu ve arkadaşlarına bir çizgiyle bağlı olduğu Facebook sosyal grafiğini düşünün

DeepMind makalesi: Science dergisinde yayınlandıeşliğinde araştırma makalesi Bu ilerlemeyi hava tahmini dünyasında bir “devrim” olarak nitelendiren kişi Aslında GraphCast mümkünse, bunun nedeni yalnızca iklim bilimcilerin “yeniden analiz etmek”, yani zamanda geriye gitmek ve ERA5’ten devasa günlük verileri derlemek için kullanılan mevcut algoritmaları oluşturmasıdır Teknik olarak bu, AI derin öğrenmesinin köklü bir alanıdır

İlginç bir şekilde DeepMind’ın GraphCast konusunda büyük hedefleri var Lam ve ekibi, yalnızca hava durumu değil, diğer olayların da bu şekilde haritalanabileceğini ve tahmin edilebileceğini öne sürüyor grafiksel sinir ağı (GNN) programlar

GraphCast, iklim ve ekoloji, enerji, tarım, insan ve biyolojik aktivitenin yanı sıra diğer karmaşık dinamik sistemler de dahil olmak üzere coğrafi-zamansal tahminde diğer önemli problemler için yeni yollar açabilir” diye yazıyorlar


İklim bilimciler dünyanın çeşitli yerlerinde meteorolojinin evrimi hakkında veri toplamak için onlarca yıl harcadılar Örnek olarak projeden bahsedelim ERA5tarafından geliştirilen ve 1950’den bu yana bir iklim rekoru olan Avrupa Orta Vadeli Hava Tahminleri Merkezi (ECMWF) Yapmayı başardığı şey, canlı verilerle değil, önceden bilinen hava durumu verileriyle kontrollü bir deney yapmaktı HRES, araştırmacıların onlarca yıldır geliştirdiği matematiksel modellerle mümkün olmaktadır


Kaynak : “ZDNet

GraphCast’in önceki günlerin verilerine dayanarak hava durumunu tahmin etmediğini anlamak önemlidir com”



genel-15

Daha ziyade bunu mevcut yöntemlerin “tamamlayıcısı” olarak görüyorlar

Remi Lam ve ekibinin üstlendiği zorluk, ERA5’ten bir dizi hava durumu okuması almak ve programları GraphCast’in, daha önce görülmemiş bazı okumaları hava tahmininin altın standardından daha iyi tahmin edip edemeyeceğini görmekti Bir sinir ağı, noktaların ve çizgilerin nasıl ilişkili olduğunu ve bu ilişkilerin zaman içinde nasıl değişebileceğini belirlemek için eğitilir HRES adı verilen bir sistemaynı zamanda ECMWF tarafından geliştirilmiştir Bu bireysel nokta, komşu bölgelerdeki hava koşullarına “sırtlar” adı verilen bir şekilde bağlanır Küresel bir hava durumu modeli oluşturmaya yönelik bu hassas çaba olmasaydı GraphCast olmazdı Daha sonra, bir kenara ayrılan bir grup ERA5 verisi (bunlara “tutulan” veriler denir) programa beslenir ve eğitilmiş GraphCast’in veri noktalarından bu noktaların on yıl içinde nasıl gelişeceğini tahmin edip edemeyeceğini görür

Bu GraphCast “grafiğidir” Bu, simüle edilmiş verilerle hava durumunu tahmin etmek anlamına geliyor “Belirsizliği daha açık bir şekilde modelleyen olasılıksal tahminler geliştirmek […] Bu çok önemli bir sonraki adımdır” diye yazıyor Bay Lam ve ekibi

Geçen hafta, Google’ın DeepMind’ı, daha düşük maliyetle hava tahminleri yapmak için tüm bu verileri kullanmanın bir dönüm noktası olarak adlandırdığı şeyi duyurdu

GraphCast, işler daha belirsiz hale geldiğinde “bulanık” hale gelir

“Teslimat süreleri uzadıkça belirsizlik artıyor” diyorlar

“Zengin, gerçek dünya verileriyle eğitilen öğrenme simülatörlerinin, fizik bilimlerinde makine öğreniminin rolünü ilerletmede kritik öneme sahip olacağına inanıyoruz Program, zaman içinde olup bitenleri simüle eden küresel veriler üzerinde çalışıyor Daha sonra Dünya’nın atmosferi bir nokta yığını haline gelir; her alan, her bölgedeki hava koşullarının komşu bölgedekilerle nasıl ilişkili olduğunu temsil eden çizgilerle bağlanır

Tahmin görevlerinin %90’ında “GraphCast HRES’ten çok daha iyi performans gösteriyor”

Yazarlar, tahmin görevlerinin %90’ında “GraphCast’in HRES’ten önemli ölçüde daha iyi performans gösterdiğini” gözlemliyor

Lam ve ekibi, GraphCast’in sınırlamalarından birinin, 10 günlük sürenin dışına çıktığında artık iyi çalışmaması olduğunu belirtiyor



ERA5’ten bu yana onlarca yıldır yapılan bir simülasyondan elde edilen veriler GraphCast grafik ağına besleniyor GraphCasts daha sonra bir sonraki ölçümü tahmin eder günler GraphCast, işler daha belirsiz hale geldiğinde “bulanık” hale gelir

açılımı High RESolution Forecast anlamına gelen HRES, dünya çapında yaklaşık 10 kilometrekarelik bir alan için bir çalışma saatinde önümüzdeki on günün hava durumunu tahmin ediyor DeepMind bilim insanları, tek bir yapay zeka çipi olan Google’ın Tensör İşleme Birimi’ni (TPU) kullanarak, hava koşullarını süper bilgisayarda çalışan geleneksel bir modelden daha doğru bir şekilde tahmin edebilen bir programı çalıştırmayı başardılar GraphCast yalnızca iklim modelleri ailesinin bir parçası olmakla kalmıyor, aynı zamanda simülasyona olan daha geniş ilginin de bir parçası

GraphCast’i ERA5 verileri üzerinde eğitmek için uyum içinde çalışan 32 TPU çipinin bir ay sürmesi gerekiyor

O zaman soru, bir tür derin öğrenme yapay zekasının, insan bilim adamlarının yarattığı bu modeli otomatik olarak oluşturulan bir modelle eşleştirip eşleştiremeyeceğidir Google

GraphCast geleneksel tahmin modellerinin yerini almaz

Remi Lam ve DeepMind’deki meslektaşlarına göre, program olarak adlandırılan GraphCast’in geleneksel tahmin modellerinin yerini almadığını lütfen unutmayın Bu, daha uzun zaman dilimlerindeki daha büyük belirsizliğin üstesinden gelmek için, büyük olasılıkla örtüşen tahminlerden oluşan bir “küme” oluşturarak GraphCast’te değişiklik yapmaları gerektiğini gösteriyor Lam ve ekibi, HRES’in “yüksek eğitimli uzmanlar tarafından geliştirildiğini” yazıyor; bu, değerli olmasına rağmen “uzun ve pahalı bir süreç olabilir” ve süper bilgisayarların multimilyon dolarlık hesaplama maliyetini de beraberinde getiriyor GraphCast ayrıca aşırı sıcak ve soğuk gelişmelerinin şeklini tahmin etme konusunda HRES’ten daha iyi performans gösteriyor Rüzgar hızı, sıcaklık, atmosferik basınç ve diğer değişkenlerin saatlik olarak kaydedilmesiyle, dünyanın zaman içindeki hava durumunun bir tür simülasyonunu yeniden üretmeye yetecek kadar Bu, sinir ağının parametrelerinin (veya sinir “ağırlıklarının”) güvenilir tahminler yapabilecek şekilde ayarlandığı eğitim sürecidir

GraphCast, sıcaklık ve hava basıncı gibi hava durumu verilerini alır ve bunu dünyanın bir alanı için tek bir nokta olarak temsil eder Ayrıca HRES’in stratosferi tahmin etmede yüzeydeki hava değişimlerinden daha iyi performans gösterdiğini de belirtiyorlar

GraphCast’i ERA5 verileri üzerinde eğitmek için uyum içinde çalışan 32 TPU çipinin bir ay sürmesi gerekiyor