Nors įmonėms sunku kiekybiškai įvertinti investicijų į dirbtinį intelektą grąžą, ši technologija ir toliau teikia vilčių stiprinant orų prognozavimą ir klimato modelius.
„StormCast“ – naujas generatyvinio DI sklaidos modelis
Pirmadienį „Nvidia“ pristatė naują generatyvinį dirbtinio intelekto sklaidos modelį, sukurtą bendradarbiaujant su Lawrence’o Berkeley nacionaline laboratorija ir Vašingtono universitetu, kuriuo žadama greičiau ir tiksliau nei esamais metodais sekti audros židinių vystymąsi.
Modelis, pavadintas „StormCast“, skirtas orų modeliams, kurie yra didesni už įprastą audrą, bet mažesni už uraganus. Jis buvo apmokytas remiantis 3,5 metų JAV Nacionalinės vandenynų ir atmosferos administracijos (NOAA) klimato duomenimis, surinktais iš Amerikos centrinės dalies, kur viršukalnės ir tornadai yra dažni priešai, ypač karštais vasaros mėnesiais.
Palyginti su esamais mašininio mokymosi metodu paremtais orų modeliais, kurių skiriamoji geba paprastai yra 30 kilometrų, o laiko skiriamoji geba – šešios valandos, „Nvidia“ teigia, kad „StormCast“ žada ne tik didesnę skiriamąją gebą, šiuo atveju – iki trijų kilometrų, bet ir geba generuoti naujas prognozes valandos tikslumu.
Kartu su kritulių radaru „StormCast“, GPU milžinės teigimu, jau įrodyta, kad „StormCast“ yra 10 proc. tikslesnė už geriausius NOAA 3 kilometrų regioninius orų modelius, o prognozės trukmė – iki šešių valandų.
Tai ne vienintelis „Nvidia“ dirbtinio intelekto modelis
„StormCast“ yra vienas iš kelių neseniai „Nvidia“ sukurtų dirbtinio intelekto modelių. Šį pavasarį vykusioje parodoje „Computex“ GPU milžinė išsamiai pristatė „CorrDiff“ – tam tikrą difuzijos modelį, išmokytą greitai generuoti didelės raiškos dviejų kilometrų skiriamosios gebos vaizdus, naudojant regioninių orų modelių virš Taivano duomenis.
Pasak „Nvidia“, šie vaizdai yra 12,5 karto didesnės skiriamosios gebos ir gali būti sukurti 1 000 kartų greičiau nei esami skaitmeniniai modeliai. Taivanas jau naudoja „CorrDiff“ taifūnų poveikiui regione prognozuoti.
Abu modeliai yra GPU milžinės „Earth-2“ klimato modeliavimo dalis. Pasak GPU milžinės, sujungus „StormCast“, „CoreDiff“ gali sudaryti naujas prognozes, remdamasis ankstesnėmis prognozėmis.
„Nvidia“ ne vienintelė ieško būdų, kaip papildyti klimato ir prognozių modelius dirbtiniu intelektu.
Praėjusio mėnesio pabaigoje žurnale „Nature“ paskelbtame straipsnyje „Google“ pasidalijo savo darbu su Europos vidutinės trukmės orų prognozių centru (ECMWF), kurio tikslas – ne tik patobulinti fizika pagrįstus klimato modelius mašininiu mokymusi, bet ir perkelti juos į TPU ir GPU, todėl juos paleisti daug pigiau nei CPU pagrindu veikiančius skaičiavimo klasterius.
„NeuralGCM“ pavadintas modelis iš dalies veikia keičiant mažiau tikslius antrinius modelius, vadinamus parametrais, kurie naudojami mažesnio masto reiškiniams, tokiems kaip debesys ir krituliai, stebėti, į neuroninius tinklus, apmokytus pagal ECMWF turimus orų duomenis.
„Google“ teigė, kad iš trijų šiuo metodu sukurtų modelių jos 1,4 laipsnio modelis gali imituoti atmosferą vienerius metus vos per aštuonias minutes, palyginti su 20 dienų trunkančiu moderniausiu klimato modeliu, pavyzdžiui, „X-SHiELD“.
Nors mašininis mokymasis ir generatyviniai dirbtinio intelekto modeliai gali padėti pagerinti pasaulinių orų prognozes, dar reikia nemažai nuveikti.
Google“ pažymėjo, kad „NeuralGCM“ nėra visavertis klimato modelis, bent jau kol kas. Tuo tarpu „Nvidia“ sukurtas „CorrDiff“ buvo sukurtas specialiai Taivano apylinkių orams stebėti.
