DeepMind-ის WeatherNext ციკლონების პროგნოზირებაში გარღვევას აღწევს

Google DeepMind-მა 6 აგვისტოს Nature-ში გამოქვეყნებული სტატიით წარმოადგინა WeatherNext — ხელოვნური ინტელექტის მოდელი, რომელიც ტროპიკული ციკლონების პროგნოზირებაში რეკორდულ სიზუსტეს აღწევს. მოდელი ერთდროულად ითვლის ციკლონის ტრაექტორიას, ინტენსივობასა და ქარის სტრუქტურას — სამივე პარამეტრს, რომელსაც აქამდე ცალ-ცალკე, სხვადასხვა ტიპის მოდელები ამუშავებდნენ.

ერთი დღით მეტი დრო გადაწყვეტილებისთვის

კვლევის მიხედვით, WeatherNext საშუალოდ ერთი დღით ზრდის პროგნოზის სიზუსტის ჰორიზონტს: მისი სამდღიანი პროგნოზი ისეთივე ზუსტია, როგორც წინა მოდელების ორდღიანი. DeepMind-ის შეფასებით, ასეთი ნახტომი მეტეოროლოგიაში დაახლოებით ათწლეულის პროგრესს უდრის. ტროპიკული ციკლონები — ქარიშხლები და ტაიფუნები — დედამიწაზე ერთ-ერთი ყველაზე დამანგრეველი მეტეოროლოგიური მოვლენაა: ბოლო 50 წლის განმავლობაში მათ მსოფლიოში 700 ათასზე მეტი ადამიანის სიცოცხლე და 1,4 ტრილიონი დოლარის ეკონომიკური ზარალი მოიტანეს.

რას ეფუძნება მოდელი

WeatherNext ერთდროულად ორ ტიპის მონაცემზე გაწვრთნა: გლობალურ ატმოსფერულ დინამიკასა და ექსპერტების მიერ შემოწმებულ ციკლონების ისტორიულ დაკვირვებებზე. საერთო ჯამში მოდელმა გადამუშავა თითქმის 20 ტერაბაიტი ატმოსფერული მონაცემი და IBTrACS-ის ბაზა, რომელიც დაახლოებით 5000 ისტორიულ შტორმს მოიცავს. პროგნოზების ანსამბლებისთვის გამოიყენება Functional Generative Networks მიდგომა — 15-დღიანი პროგნოზი ერთ TPU-ზე წუთზე ნაკლებ დროში გენერირდება. გასულ წელს სისტემა ერთდროულად 50 სცენარს აწარმოებდა, წელს კი ანსამბლი 1000 წევრამდე გაზარდეს, რაც იშვიათი, მაგრამ მძიმე სცენარების — მაგალითად, ციკლონის მკვეთრი გაძლიერების — აღწერასაც იძლევა.

მკვლევრებმა ასევე დააფიქსირეს მოულოდნელი დაკვირვება: WeatherNext Cyclones მხოლოდ 28x28 კილომეტრიანი გარჩევადობის მონაცემებს საჭიროებს — 100-ჯერ უფრო მსხვილს, ვიდრე ტრადიციული მოდელები — და მაინც საუკეთესო შედეგს აჩვენებს. კიდევ უფრო კომპაქტური WeatherNext 2-mini (111x111 კმ) ცალკე TPU-ზე მუშაობს, მათ შორის თავისუფალ საჯარო Colab-ნოუთბუქშიც. თუ რატომაა ამხელა სიზუსტისთვის ასეთი მსხვილი მონაცემები საკმარისი, ჯერ კიდევ ღია კვლევითი კითხვაა.

ღია კოდი და პრაქტიკული გამოყენება

Nature-ის სტატიასთან ერთად DeepMind-მა WeatherNext 2-ისა და WeatherNext Cyclones-ის კოდი და მოდელის წონები ღია წყაროდ გამოაქვეყნა — აკადემიური კვლევის, ოპერატიული პროგნოზირებისა და ლოკალური მოდელების შესაქმნელად. კვლევა ერთობლივად ჩატარდა აშშ-ის ეროვნულ ქარიშხლების ცენტრთან (NHC), ატმოსფეროს კვლევის კოოპერატიულ ინსტიტუტთან (CIRA), ბრიტანეთის Met Office-თან და სხვა მეტეოროლოგიურ სააგენტოებთან. პრაქტიკული შედეგი უკვე არსებობს: 2025 წლის ქარიშხლების სეზონში მოდელი დაეხმარა NHC-ს ქარიშხალ მელისას ჯამაიკაში მიწაზე გასვლის ისტორიული პროგნოზის გაკეთებაში. Weather Lab-ის პლატფორმა, სადაც პროგნოზების ვიზუალიზაცია შესაძლებელია, განახლდა და ახლა გლობალურ ამინდის პროგნოზებსაც მოიცავს.