Mô hình thời tiết AI mới của châu Âu nhanh hơn, thông minh hơn và miễn phí ở đây là những gì cần biết

Trung tâm dự báo thời tiết trung bình châu Âu (ECMWF) vừa đưa ra mô hình dự báo do AI cung cấp, mà trung tâm cho biết vượt trội so với các mô hình dựa trên vật lý tiên tiến lên tới 20%.

Mô hình được mệnh danh là Hệ thống dự báo trí tuệ nhân tạo (AIFS). Theo bản phát hành ECMWF, mô hình mới hoạt động ở tốc độ nhanh hơn so với các mô hình dựa trên vật lý và mất ít năng lượng hơn khoảng 1.000 lần để đưa ra dự báo.

ECMWF, hiện đang hoạt động năm thứ 50, đã sản xuất ENS, một trong những mô hình dự đoán thời tiết tầm trung hàng đầu thế giới. Dự báo tầm trung bao gồm các dự đoán thời tiết được thực hiện trước từ ba ngày đến 15 ngày, nhưng ECMWF cũng dự báo thời tiết lên tới một năm. Các mô hình dự báo thời tiết rất cần thiết cho các tiểu bang và chính quyền địa phương được chuẩn bị cho các sự kiện thời tiết khắc nghiệt, cũng như nhiều nhu cầu hàng ngày, như biết thời tiết sẽ như thế nào trong kỳ nghỉ sắp tới của bạn.

Các mô hình dự đoán thời tiết truyền thống đưa ra dự báo bằng cách giải các phương trình vật lý. Một hạn chế của các mô hình này là chúng là xấp xỉ động lực học khí quyển. Một khía cạnh hấp dẫn của các mô hình điều khiển AI là họ có thể học các mối quan hệ và động lực phức tạp hơn trong các mẫu thời tiết trực tiếp từ dữ liệu, thay vì chỉ dựa vào các phương trình đã biết và ghi lại trước đây.

Thông báo của ECMWF được đưa ra theo mô hình GenCast của Google Deepmind để dự đoán thời tiết do AI cung cấp, lần lặp tiếp theo của phần mềm dự đoán thời tiết của Google bao gồm NeuralGCM và Graphcast. Gencast vượt trội so với ENS, mô hình dự đoán thời tiết hàng đầu của ECMWF, trên 97,2% mục tiêu trên các biến thời tiết khác nhau. Với thời gian chì lớn hơn 36 giờ, Gencast chính xác hơn so với 99,8% mục tiêu.

Nhưng trung tâm châu Âu cũng đang đổi mới. Sự ra mắt của AIFS-Single chỉ là phiên bản hoạt động đầu tiên của hệ thống.

Đây là một nỗ lực lớn đảm bảo các mô hình đang chạy theo một cách ổn định và đáng tin cậy. Hiện tại, độ phân giải của AIFS nhỏ hơn so với mô hình của chúng tôi (IFS), đạt độ phân giải 9 km (5,6 dặm) bằng cách sử dụng phương pháp dựa trên vật lý.

Chúng tôi thấy AIF và IFS là bổ sung và một phần của việc cung cấp một loạt các sản phẩm cho cộng đồng người dùng của chúng tôi, những người quyết định những gì phù hợp nhất với nhu cầu của họ, theo ông Pappenberger.

Nhóm nghiên cứu sẽ khám phá mô hình hóa dựa trên dữ liệu và dựa trên dữ liệu để cải thiện khả năng dự đoán thời tiết của tổ chức với độ chính xác.

Matthew Chantry, lãnh đạo chiến lược cho máy học hiện tại tại ECMWF và người đứng đầu nền tảng đổi mới, trong email gửi đến Gizmodo. Quy trình liên kết dữ liệu tương tự này cũng rất quan trọng để khởi tạo các mô hình học máy hàng ngày và cho phép chúng đưa ra dự báo.

Một trong những biên giới tiếp theo để dự báo thời tiết học máy là bước đồng hóa dữ liệu này, nếu được giải quyết có nghĩa là chuỗi dự báo thời tiết đầy đủ có thể dựa trên học máy, ông Chant Chantry nói thêm.

Chantry là đồng tác giả của một nghiên cứu đang chờ đánh giá ngang hàng mô tả một hệ thống dự báo từ đầu đến cuối dữ liệu không dựa vào phân tích lại dựa trên vật lý.

Được gọi là GraphDop, hệ thống sử dụng các đại lượng có thể quan sát được như nhiệt độ độ sáng từ các quỹ đạo cực, để tạo thành một biểu diễn tiềm ẩn tiềm ẩn của động lực trạng thái hệ thống Trái đất và các quá trình vật lý Năm ngày trong tương lai.

Tích hợp các phương pháp trí tuệ nhân tạo với mô hình dự đoán thời tiết dựa trên vật lý là một địa điểm đầy hứa hẹn để dự báo chính xác hơn. Kiểm tra cho đến nay chỉ ra rằng dự báo được hỗ trợ AI có thể vượt trội hơn các mô hình lịch sử, nhưng cho đến nay, các mô hình đó đã dựa vào dữ liệu phân tích lại. Các quan sát trên mặt đất là rất cần thiết để đào tạo các mô hình, và vẫn còn phải thấy khả năng dự báo của công nghệ sẽ ấn tượng như thế nào khi bị buộc phải ra khỏi kịch bản.