Ученые создали ИИ-программу для прогноза климатических процессов, работающую по принципу нейросетевых видеогенераторов. Нейросеть на основе известных метеоданных строит возможные сценарии, что позволяет значительно ускорить и упростить расчеты. Ее можно запустить даже на обычном ноутбуке: она формирует детализированный прогноз на восемь дней и предсказывает климатические отклонения на срок до месяца. Например, она могла бы предсказать аномальный снегопад в Москве. Такие данные особенно важны для отраслей, чувствительных к погодным рискам, от служб спасения до сельского хозяйства и страхования. При этом эксперты подчеркивают, что новые подходы следует использовать вместе с традиционными методами: нейросети обеспечивают высокую скорость расчетов, тогда как классические модели — необходимую точность и надежность прогнозов.
Как нейросеть рассчитывает климатические процессы
Программа Marchuk основана на алгоритмах, аналогичных тем, что используются в генерации видео, объяснили разработчики. На основе известных метеоданных она прогнозирует возможные состояния атмосферы, так же как нейросети «достраивают» следующие кадры в сгенерированных роликах. Такой подход позволяет в разы ускорить и упростить расчет погодных сценариев по сравнению с традиционными методами.
— Разработанная модель имеет 276 млн параметров (примерно в 600 раз меньше, чем большие языковые модели типа чата GPT-3). Ее реально запустить даже на ноутбуке с хорошей видеокартой. Программа может за 7,5 минуты сделает детальный прогноз до восьми дней, а также предскажет аномалии, которые произойдут через 15–30 дней, — рассказал «Известиям» один из разработчиков, руководитель группы «Генеративный ИИ для видео» лаборатории FusionBrain Института AIRI Константин Соболев.
По словам специалиста, с точки зрения математики погодные данные представляют собой 4D-тензоры — наборы чисел, каждый из которых соответствует определенным координатам, времени и физических параметрам (температуре, ветру, влажности и т.п.) Подобная структура работает в программах генерации видео, только вместо физических величин в них фигурируют цветовые каналы.
Справка «Известий»Программа Marchuk названа в честь математика Гурия Марчука — основоположника численного моделирования атмосферы и климатических процессов. Его разработки позволили применять ЭВМ для прогноза погоды и заложили фундамент многих гидродинамических моделей. С 1986 по 1991 год ученый возглавлял Академию наук СССР.
— Чтобы сделать качественный прогноз, Marchuk достаточно получить данные о погоде за последний день. А точнее, четыре «снимка» состояния атмосферы с интервалом в шесть часов. На их основе нейросеть может предсказать погоду на срок от одного до восьми дней вперед, — объяснил Константин Соболев.
Такие данные, к примеру, необходимы аграриям — чтобы понимать, когда сеять и убирать урожай. Они важны и для энергетиков, которым нужно заранее определять режимы работы теплоэлектроцентралей. В целом разработка может быть востребована всеми, чья операционная деятельность зависит от погодных условий: службами спасения, коммунальными предприятиями, страховыми компаниями и банками.
— Модель может моделировать вероятностное распределение погодных сценариев. Это полезно, если мы хотим оценить вероятность того или иного стихийного бедствия через несколько недель или месяцев, — уточнил Кирилл Соболев.
Чтобы добиться подобного эффекта, в классических методах прогноза погоды прибегают к ухищрениям. Как следствие, они работают не очень хорошо, добавил он.
Как программа может предсказать погодные катаклизмы
— Marchuk, в частности, мог бы предсказать аномальный снегопад, который прошел в Москве 27 апреля. Сейчас размещенная в открытом доступе версия дает прогноз на пять дней. Это связано с ограниченным объемом архивных данных. Но при интегрировании с оперативными моделями прогноза погоды это время сокращается, Marchuk начинает «чувствовать» погодные события за 15 дней, — отметил генеральный директор Института AIRI Иван Оселедец.
Сначала в модель загружаются глобальные данные за один день, после чего программа формирует прогноз на период до 30 дней вперед. Таких сценариев рассчитывается несколько, что позволяет получить набор возможных вариантов развития погодной ситуации. Далее, опираясь на эту статистику, можно оценить вероятность наступления тех или иных событий, пояснил эксперт.
В дополнение к нейросети разработчики создали ИИ-метеоролога — систему автоматической генерации текстовых прогнозов. Она переводит численные данные модели в связные объяснения, доступные обычному пользователю, сообщил Иван Оседелец. Система протестирована на локациях с разными климатами — в ирландском городе Корке, филиппинской Маниле, индийском Ченнаи и вьетнамском Дананге.
— Прогноз погоды — один из наиболее востребованных цифровых сервисов. Многие пользуются им ежедневно, не задумываясь о сложной инфраструктуре, которая стоит за привычными числами и визуальными иконками в приложениях, — рассказал «Известиям» руководитель группы машинного обучения и качества прогнозов в «Яндекс Погоде» Петр Вытовтов.
В целом предложенный разработчиками подход укладывается в более широкие тренды, которые можно наблюдать на ведущих мировых конференциях, где всё больше внимания уделяется сочетанию машинного обучения с физически обоснованными моделями.
— Основанные на ИИ модели могут дать импульс к дальнейшему развитию отечественных прогностических схем. Созданная учеными Института AIRI модель Marchuk трансформирована в функционирующую технологическую прогностическую линию, и на нынешнем этапе можно сделать вывод о создании в России перспективного научно-технологического направления, — прокомментировал заслуженный метеоролог РФ Роман Вильфанд.
При этом, согласно процедурам и стандартам Росгидромета, для принятия решения о внедрении новой модели необходимо провести независимые испытания и сопоставить ее прогнозы с результатами действующих гидродинамических моделей, используемых в ведомстве, отметил он.
— Современные подходы в сфере прогнозов погоды нередко формулируют задачу в вероятностной постановке. В этом смысле представленная модель очень актуальна, — считает завлабораторией машинного обучения в науках о Земле Московского физико-технического института и старший научный сотрудник Института океанологии им. П. П. Ширшова Михаил Криницкий.
Однако, как и другим инструментам, нейросетям можно доверять только после всесторонней проверки, сообщил он. В частности, возникают вопросы, насколько стандартные метрики достаточны для анализа атмосферных явлений с их богатой многомасштабной динамикой. Также интересно, как модель покажет себя в сложных регионах. Например, в Арктике.
По словам эксперта, усилить нейросетевые алгоритмы может расширение набора учитываемых факторов, повышение пространственного разрешения и интеграция физических параметров в процессы машинного обучения. При этом ИИ-модели эффективнее использовать совместно с классическими подходами: нейросети будут ускорять расчеты, а традиционные методы обеспечат необходимую точность.