AI มีประสิทธิภาพเหนือกว่าเทคโนโลยีพยากรณ์อากาศที่ดีที่สุดของเรา ต้องขอบคุณ DeepMind

ในการจำลอง โมเดล AI แบบชิปเดี่ยวของ DeepMind มีความแม่นยำมากกว่าโปรแกรมพยากรณ์อากาศบนซูเปอร์คอมพิวเตอร์แบบดั้งเดิม

ข้อมูลจากการจำลองหลายทศวรรษที่เรียกว่า ERA5 จะถูกป้อนเข้าสู่เครือข่ายกราฟ GraphCast เป็นชุดการวัดที่จุดใดจุดหนึ่ง ด้วยการสำรวจกราฟ GraphCasts จะคาดการณ์การวัดถัดไปสำหรับจุดนั้นและสำหรับเพื่อนบ้าน

นักอุตุนิยมวิทยาใช้เวลาหลายทศวรรษในการรวบรวมข้อมูลว่าสภาพอากาศเปลี่ยนแปลงไปอย่างไร ณ จุดต่างๆ ทั่วโลก ความพยายามเช่น ERA5 ซึ่งเป็นบันทึกสภาพภูมิอากาศย้อนหลังไปถึงปี 1950 พัฒนาโดยศูนย์พยากรณ์อากาศช่วงกลางแห่งยุโรป (ECMWF) ถือเป็นการจำลองโลกในช่วงเวลาหนึ่ง บันทึกความเร็วลม อุณหภูมิ ความดันอากาศ และตัวแปรอื่นๆ รายชั่วโมง

DeepMind ของ Google ในสัปดาห์นี้กำลังประกาศสิ่งที่เรียกว่าจุดเปลี่ยนในการใช้ข้อมูลทั้งหมดเพื่อคาดการณ์สภาพอากาศในราคาไม่แพง นักวิทยาศาสตร์ DeepMind ทำงานบนชิป AI ตัวเดียวซึ่งเป็นหน่วยประมวลผลเทนเซอร์ (TPU) ของ Google สามารถเรียกใช้โปรแกรมที่สามารถทำนายสภาพอากาศได้แม่นยำกว่าแบบจำลองทั่วไปที่ทำงานบนซูเปอร์คอมพิวเตอร์

บทความของ DeepMind ได้รับการตีพิมพ์ในวารสารวิชาการ Science ฉบับสัปดาห์หน้า พร้อมด้วยบทความจากเจ้าหน้าที่ที่เปรียบบทความนี้ว่าเป็นส่วนหนึ่งของ "การปฏิวัติ" ในการพยากรณ์อากาศ

โปรดทราบว่า GraphCast ที่เรียกว่าโปรแกรมนั้นไม่สามารถทดแทนแบบจำลองการคาดการณ์แบบดั้งเดิมได้ ตามที่ผู้เขียนนำ Remi Lam และเพื่อนร่วมงานของ DeepMind กล่าว แต่พวกเขามองว่ามันเป็น "ส่วนเสริม" ที่เป็นไปได้สำหรับวิธีการที่มีอยู่ แท้จริงแล้ว เหตุผลเดียวที่ GraphCast เป็นไปได้ก็คือเพราะนักวิทยาศาสตร์ด้านสภาพอากาศของมนุษย์สร้างอัลกอริธึมที่มีอยู่ซึ่งใช้ในการ "วิเคราะห์ใหม่" ซึ่งหมายถึง ย้อนเวลากลับไปและรวบรวมข้อมูลรายวันจำนวนมหาศาลของ ERA5 หากไม่มีความพยายามอย่างแม่นยำในการสร้างแบบจำลองสภาพอากาศของโลก คงไม่มี GraphCast

ความท้าทายที่แลมและทีมงานทำคือการเก็บบันทึกสภาพอากาศของ ERA5 จำนวนหนึ่งและดูว่าโปรแกรม GraphCast ของพวกเขา สามารถทำนายบันทึกที่มองไม่เห็นได้ดีกว่ามาตรฐานทองคำสำหรับการพยากรณ์อากาศ ซึ่งเป็นระบบที่เรียกว่า HRES ซึ่งพัฒนาโดย ECMWF เช่นกัน

HRES ซึ่งย่อมาจาก High RESolution Forecast คาดการณ์สภาพอากาศทั่วโลกในอีก 10 วันข้างหน้า โดยใช้การทำงานหนึ่งชั่วโมงสำหรับพื้นที่ประมาณ 10 ตารางกิโลเมตร HRES เกิดขึ้นได้เนื่องจากแบบจำลองทางคณิตศาสตร์ที่นักวิจัยพัฒนาขึ้นมานานหลายทศวรรษ HRES "ได้รับการปรับปรุงโดยผู้เชี่ยวชาญที่ผ่านการฝึกอบรมมาอย่างดี" ซึ่งแม้จะมีคุณค่า แต่ "อาจเป็นกระบวนการที่ใช้เวลานานและมีค่าใช้จ่ายสูง" Lam และทีมงานเขียน และมาพร้อมกับราคาของซูเปอร์คอมพิวเตอร์มูลค่าหลายล้านดอลลาร์

คำถามก็คือว่ารูปแบบการเรียนรู้เชิงลึกของ AI สามารถจับคู่แบบจำลองที่สร้างโดยนักวิทยาศาสตร์ที่เป็นมนุษย์กับแบบจำลองที่สร้างขึ้นโดยอัตโนมัติได้หรือไม่

GraphCast นำข้อมูลสภาพอากาศ เช่น อุณหภูมิ และความกดอากาศ มาแสดงเป็นจุดเดียวสำหรับพื้นที่สี่เหลี่ยมจัตุรัสบนโลก แต่ละจุดนั้นเชื่อมโยงกับสภาพอากาศของพื้นที่ใกล้เคียงโดยสิ่งที่เรียกว่า "ขอบ" ลองนึกถึงกราฟโซเชียลของ Facebook ที่แต่ละคนเป็นจุดและเชื่อมโยงกับเพื่อนทางเส้น ชั้นบรรยากาศของโลกกลายเป็นจุดมวลในแต่ละพื้นที่สี่เหลี่ยมจัตุรัส เชื่อมโยงกันด้วยเส้นที่แสดงถึงความสัมพันธ์ของสภาพอากาศในแต่ละพื้นที่กับพื้นที่ใกล้เคียง

นั่นคือ "กราฟ" ใน GraphCast ในทางเทคนิคแล้ว มันเป็นพื้นที่ที่ได้รับการยอมรับอย่างดีของ AI การเรียนรู้เชิงลึกที่เรียกว่าโครงข่ายประสาทเทียมแบบกราฟ โครงข่ายประสาทเทียมได้รับการฝึกฝนเพื่อเลือกว่าจุดและเส้นเกี่ยวข้องกันอย่างไร และความสัมพันธ์เหล่านั้นสามารถเปลี่ยนแปลงเมื่อเวลาผ่านไปได้อย่างไร

ด้วยโครงข่ายประสาทเทียม GraphCast Lam และทีมงานป้อนข้อมูล ERA5 มูลค่า 39 ปีเกี่ยวกับความกดอากาศ อุณหภูมิ ความเร็วลม ฯลฯ จากนั้นวัดว่าคาดการณ์ได้ดีเพียงใดว่าจะเกิดอะไรขึ้นต่อไปในช่วง 10 วันโดยการเปรียบเทียบ สู่โปรแกรม HRES

ต้องใช้เวลาหนึ่งเดือนกับชิป TPU 32 ตัวที่ทำงานประสานกันเพื่อฝึก GraphCast บนข้อมูล ERA5 นั่นคือกระบวนการฝึกอบรมที่โครงข่ายประสาทเทียมมีพารามิเตอร์หรือ "น้ำหนัก" ของระบบประสาทซึ่งปรับไปยังจุดที่สามารถคาดการณ์ได้อย่างน่าเชื่อถือ จากนั้น กลุ่มของข้อมูล ERA5 ที่ถูกแยกไว้ - ข้อมูล "ที่เก็บไว้" ดังที่ทราบกันดี - จะถูกป้อนเข้าไปในโปรแกรมเพื่อดูว่า GraphCast ที่ได้รับการฝึกอบรมสามารถทำนายจากจุดข้อมูลว่าจุดเหล่านั้นจะเปลี่ยนแปลงอย่างไร นานกว่าสิบวัน -- คาดการณ์สภาพอากาศภายในข้อมูลจำลองนี้ได้อย่างมีประสิทธิภาพ

ผู้เขียนตั้งข้อสังเกตว่า "GraphCast มีประสิทธิภาพเหนือกว่า HRES อย่างมาก" ใน 90% ของงานการทำนาย GraphCast สามารถ HRES ที่ดีที่สุดในการทำนายรูปร่างของการพัฒนาที่ร้อนและเย็นจัดได้เช่นกัน พวกเขาสังเกตเห็นว่า HRES ทำได้ดีกว่ากับการคาดการณ์ที่เกี่ยวข้องกับชั้นสตราโตสเฟียร์ เมื่อเทียบกับการเปลี่ยนแปลงของสภาพอากาศ

สิ่งสำคัญคือต้องตระหนักว่า GraphCast ไม่ได้คาดการณ์สภาพอากาศในการผลิตอย่างจริงจัง สิ่งที่ทำได้ดีคือการทดลองที่มีการควบคุมกับข้อมูลสภาพอากาศที่ทราบก่อนหน้านี้ ไม่ใช่ข้อมูลปัจจุบัน

ข้อจำกัดที่น่าสนใจของ GraphCast ก็คือมันจะสะดุดเมื่อเกินระยะเวลา 10 วัน Lam และทีมงานทราบ ตามที่พวกเขาเขียนไว้ "มีความไม่แน่นอนเพิ่มขึ้นในช่วงเวลารอคอยสินค้าที่นานขึ้น" GraphCast จะ "พร่ามัว" เมื่อสิ่งต่างๆ มีความไม่แน่นอนมากขึ้น นั่นแสดงให้เห็นว่าพวกเขาต้องทำการเปลี่ยนแปลง GraphCast เพื่อจัดการกับความไม่แน่นอนที่มากขึ้นของกรอบเวลาที่ยาวขึ้น โดยส่วนใหญ่จะสร้าง "ชุด" ของการคาดการณ์ที่ทับซ้อนกัน “การสร้างการคาดการณ์ความน่าจะเป็นที่จำลองความไม่แน่นอนได้ชัดเจนยิ่งขึ้น … เป็นขั้นตอนต่อไปที่สำคัญ” แลมและทีมงานเขียน

สิ่งที่น่าสนใจคือ DeepMind มีความทะเยอทะยานที่ยิ่งใหญ่สำหรับ GraphCast GraphCast ไม่เพียงแต่เป็นหนึ่งในสิ่งที่พวกเขาคาดหวังว่าจะเป็นกลุ่มแบบจำลองสภาพภูมิอากาศเท่านั้น แต่ยังเป็นส่วนหนึ่งของความสนใจในการจำลองในวงกว้างอีกด้วย โปรแกรมกำลังดำเนินการกับข้อมูลทั่วโลกที่จำลองสิ่งที่เกิดขึ้นเมื่อเวลาผ่านไป แลมและทีมงานแนะนำว่าปรากฏการณ์อื่นๆ สามารถจัดทำและคาดการณ์ได้ด้วยวิธีนี้ ไม่ใช่แค่สภาพอากาศเท่านั้น

"GraphCast สามารถเปิดทิศทางใหม่สำหรับปัญหาการพยากรณ์ทางภูมิศาสตร์และอวกาศที่สำคัญอื่นๆ" พวกเขาเขียน "รวมถึงสภาพภูมิอากาศและนิเวศวิทยา พลังงาน เกษตรกรรม และกิจกรรมของมนุษย์และทางชีวภาพ ตลอดจนระบบไดนามิกที่ซับซ้อนอื่นๆ

"เราเชื่อว่าเครื่องจำลองการเรียนรู้ที่ได้รับการฝึกอบรมจากข้อมูลที่มีอยู่จริงจะมีความสำคัญอย่างยิ่งในการพัฒนาบทบาทของการเรียนรู้ของเครื่องในวิทยาศาสตร์กายภาพ"