Deep Mind Ai hace que el clima se evalúe con mayor precisión que las instrucciones existentes

Google Deepmind realiza su última IA de evaluación del clima que hace que las expectativas sean más rápidas y estrictamente que las simulaciones físicas existentes.

Zencast es el último en el proyecto de investigación en curso para utilizar la inteligencia artificial para mejorar las expectativas meteorológicas. Este modelo ha sido entrenado en cuatro décadas de datos históricos del Centro Europeo para Pronósticos Meteorológicos de Media Cango (ECMWF). Archivo ERA5Tiene dimensiones normales de temperatura, velocidad del viento y presión a diferentes alturas del mundo.

Los datos se utilizaron hasta 2018 para capacitar al modelo y luego se usaron para probar sus expectativas contra el entorno conocido a partir de 2019. La compañía descubrió que derrotó a la industria de ECMWF, el 97.4 por ciento y el 99.8 por ciento del tiempo esperando más de 36 horas.

El año pasado, el año pasado, trabajó con el ECMWF DeepMind para crear IA para derrotar a más del 90 por ciento de los “Religiones de Oro Hres Hres Hres 10 días. Antes de esto, estaba desarrollando modelos de “navalamiento” que predijeron la posibilidad de lluvia en el kilómetro de 1 cuadrado en kilómetros de 1 cuadrado administrados de 5 a 90 minutos usando 5 minutos de datos de radar en los kilómetros de 1 cuadrado. Y Google está trabajando en formas de usar la IA para reemplazar pequeñas partes de modelos decisivos para acelerar el cálculo mientras conserva la precisión.

Las sugerencias climáticas existentes dependen de las simulaciones físicas, que se ejecutan en potentes superptópticas, que son lo más precisas posible. Los fiscales generalmente ejecutan docenas de simulaciones con insumos ligeramente diferentes en grupos, llamados un conjunto. Estos son complejos en crecimiento y muchas simulaciones requieren máquinas más poderosas y de fractura de energía para trabajar muy computamente y trabajar.

AI puede proporcionar una solución de bajo costo. Por ejemplo, el Zencast 50 crea instrucciones con el colectivo de 50 futuros posibles, y cada uno adquiere un chip Google Cloud V5 de Google Cloud personalizado y centrado en la IA durante solo 8 minutos.

El Zencast funciona con una resolución de aproximadamente 28 kilómetros cuadrados en el ecuador. Desde que se recopilan los datos utilizados en esta investigación, el ENS del ECMWF se ha actualizado a solo 9 kilómetros cuadrados.

Precio de Ilan Dijo que no había necesidad de seguir la demanda AI en DeepMind y proporcionar una forma de proceder sin recopilar datos finos e implementar cálculos más intensivos. “Cuando tiene un modelo tradicional basado en el físico, es necesario obtener expectativas más precisas, ya que es necesario abordar las ecuaciones físicas con mayor precisión”, dijo Price. “(Con) práctica de la máquina, (que) debe ir a una alta resolución para obtener simulaciones o expectativas más precisas de su modelo”.

David Schultz En la Universidad de Manchester, el Reino Unido y los modelos de IA ofrecen la oportunidad de hacer que las instrucciones climáticas sean más efectivas, pero es importante recordar que a menudo están sobrecalentados y dependen en gran medida de los datos de entrenamiento de los modelos físicos tradicionales.

“¿Va a revolucionar el pronóstico del clima numérico del clima numérico? No, porque aún necesita implementar muestras climáticas numéricas en primer lugar para entrenar a los modelos”, dijo Shiltz. “Puedo derrotar a Gary Casperov en el ajedrez, pero después de estudiar cada movimiento que he jugado hasta ahora”, fue como decirlo.

Sergei frolov En la Administración Nacional Oceánica y Atmosférica de los Estados Unidos (NOAA), AI espera desarrollar aún más la capacitación con alta resolución. “Lo que básicamente lo estamos viendo es que todos estos procedimientos se detienen a través de la credibilidad de los datos de capacitación (sin desarrollar)”, dijo. “Y los datos de capacitación provienen de centros operativos como ECMWF y NOAA. Para avanzar en este campo, necesitamos producir más datos de entrenamiento con patrones físicos de alta confiabilidad. “

Pero en este momento, Zencast proporciona una forma de ejecutar instrucciones a un costo de menor cálculo y más rápidamente. Kieran Hunt Él cree que en la Universidad de Reading, en el Reino Unido, una colección de instrucciones físicas orientadas puede obtener mejores resultados que una sola instrucción, y que los equipos aumentarán la precisión de las instrucciones de IA.

Hunt se refiere a temperaturas de 40 ° C (104 ° F) encontradas en el Reino Unido en 2022. Antes de una semana o dos, los miembros individuales de los grupos evalúan esto, pero se consideran irregulares. Luego, cuando estamos cerca de la ola de calor, más sugerencias han caído en una fila, permitiendo que el pre -asignado se viene inusual.

“Si es miembro del realmente extravagante, le permite cubrir un poco; puede suceder, pero probablemente no”, dijo Hunt. Esto es para combinar las herramientas que hemos estado utilizando durante un tiempo en la evaluación del clima con el nuevo enfoque de IA para mejorar la calidad de la IA. No hay duda de que esto es mejor que la primera ola de instrucciones meteorológicas de IA. “