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). Rüzgar hızı, sıcaklık, atmosferik basınç ve diğer değişkenlerin saatlik olarak kaydedilmesiyle, dünyanın zaman içindeki hava durumunun bir tür simülasyonunu yeniden üretmeye yetecek kadar.
Geçen hafta, Google’ın DeepMind’ı, daha düşük maliyetle hava tahminleri yapmak için tüm bu verileri kullanmanın bir dönüm noktası olarak adlandırdığı şeyi duyurdu. 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.
DeepMind makalesi: Science dergisinde yayınlandıeşliğinde araştırma makalesi Bu ilerlemeyi hava tahmini dünyasında bir “devrim” olarak nitelendiren kişi.
ERA5’ten bu yana onlarca yıldır yapılan bir simülasyondan elde edilen veriler GraphCast grafik ağına besleniyor. GraphCasts daha sonra bir sonraki ölçümü tahmin eder. 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. Daha ziyade bunu mevcut yöntemlerin “tamamlayıcısı” olarak görüyorlar. 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. Küresel bir hava durumu modeli oluşturmaya yönelik bu hassas çaba olmasaydı GraphCast olmazdı.
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. HRES adı verilen bir sistemaynı zamanda ECMWF tarafından geliştirilmiştir.
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. HRES, araştırmacıların onlarca yıldır geliştirdiği matematiksel modellerle mümkün olmaktadır. 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’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.
GraphCast, sıcaklık ve hava basıncı gibi hava durumu verilerini alır ve bunu dünyanın bir alanı için tek bir nokta olarak temsil eder. Bu bireysel nokta, komşu bölgelerdeki hava koşullarına “sırtlar” adı verilen bir şekilde bağlanır. Her kişinin bir nokta olduğu ve arkadaşlarına bir çizgiyle bağlı olduğu Facebook sosyal grafiğini düşünün. 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.
Bu GraphCast “grafiğidir”. Teknik olarak bu, AI derin öğrenmesinin köklü bir alanıdır. grafiksel sinir ağı (GNN). Bir sinir ağı, noktaların ve çizgilerin nasıl ilişkili olduğunu ve bu ilişkilerin zaman içinde nasıl değişebileceğini belirlemek için eğitilir.
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. programlar.
GraphCast’i ERA5 verileri üzerinde eğitmek için uyum içinde çalışan 32 TPU çipinin bir ay sürmesi gerekiyor. Bu, sinir ağının parametrelerinin (veya sinir “ağırlıklarının”) güvenilir tahminler yapabilecek şekilde ayarlandığı eğitim sürecidir. 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. günler. Bu, simüle edilmiş verilerle hava durumunu tahmin etmek anlamına geliyor.
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. GraphCast ayrıca aşırı sıcak ve soğuk gelişmelerinin şeklini tahmin etme konusunda HRES’ten daha iyi performans gösteriyor. Ayrıca HRES’in stratosferi tahmin etmede yüzeydeki hava değişimlerinden daha iyi performans gösterdiğini de belirtiyorlar.
GraphCast’in önceki günlerin verilerine dayanarak hava durumunu tahmin etmediğini anlamak önemlidir. Yapmayı başardığı şey, canlı verilerle değil, önceden bilinen hava durumu verileriyle kontrollü bir deney yapmaktı.
Lam ve ekibi, GraphCast’in sınırlamalarından birinin, 10 günlük sürenin dışına çıktığında artık iyi çalışmaması olduğunu belirtiyor.
GraphCast, işler daha belirsiz hale geldiğinde “bulanık” hale gelir
“Teslimat süreleri uzadıkça belirsizlik artıyor” diyorlar. GraphCast, işler daha belirsiz hale geldiğinde “bulanık” hale gelir. 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. “Belirsizliği daha açık bir şekilde modelleyen olasılıksal tahminler geliştirmek […] Bu çok önemli bir sonraki adımdır” diye yazıyor Bay Lam ve ekibi.
İlginç bir şekilde DeepMind’ın GraphCast konusunda büyük hedefleri var. GraphCast yalnızca iklim modelleri ailesinin bir parçası olmakla kalmıyor, aynı zamanda simülasyona olan daha geniş ilginin de bir parçası. Program, zaman içinde olup bitenleri simüle eden küresel veriler üzerinde çalışıyor. Lam ve ekibi, yalnızca hava durumu değil, diğer olayların da bu şekilde haritalanabileceğini ve tahmin edilebileceğini öne sürüyor.
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.
“Zengin, gerçek dünya verileriyle eğitilen öğrenme simülatörlerinin, fizik bilimlerinde makine öğreniminin rolünü ilerletmede kritik öneme sahip olacağına inanıyoruz.
Kaynak : “ZDNet.com”