Google DeepMind udvikler verdens mest nøjagtige vejrudsigt med AI

Google DeepMind, et selskab under Alphabet fokuseret på AI, har udviklet en ny algoritme kaldet GraphCast, som leverer verdens mest nøjagtige 10-dages globale vejrprognose.

Forskningen er blevet offentliggjort i en videnskabelig artikel i tidsskriftet Science.

Læs også: Hvad er kunstig intelligens? Sådan ser fremtiden med AI ud

Mere nøjagtig end hidtil bedste vejrprognoser

Googles nye AI-drevne vejrprognose er ikke kun mere nøjagtig end hidtidige vejrprognoser – den er også hurtigere end High-Resolution Forecast (HRES), som er den i dag førende vejrmodel.

GraphCast formår også at forudsige ekstremt vejr længere ud i fremtiden, end nuværende vejrprognoser er i stand til.

For eksempel forudsagde GraphCast ni dage i forvejen, at orkanen Lee ville gå i land i Nova Scotia i Canada. Sådan en orkan ville med de traditionelle vejrprognoser kun kunne blive forudsagt cirka seks dage i forvejen – og med mindre ensartede oplysninger om tidspunkt og sted for, hvornår den rammer land.

GraphCast kan også forudsige farlige vejrbegivenheder helt uden at være trænet til at finde dem. For eksempel forudsiger modellen cykloners bevægelser med højere nøjagtighed end HRES-vejrprognosen, efter der blev integreret en cyklon-tracker i GraphCast.

Sådanne enorme forbedringer i vejrprognoser kan potentielt redde liv. Matthew Chantry, der er koordinator for maskinlæring hos det internationalt førende europæiske vejrcenter ECMWF, ser Googles bedrift som et vendepunkt i hans branche:

“Der skal sandsynligvis gøres mere for at skabe pålidelige operationelle produkter, men dette er sandsynligvis begyndelsen på en revolution,” siger han på et pressemøde.

Læs også: EU-sprogmodellen TrustLLM skal bane vejen for en dansk sprogmodel

Sådan virker GraphCast

Modsat traditionelle vejrprognoser, som er baseret på indviklede fysiske beregninger via supercomputere, anvender GraphCast maskinlæring med såkaldte Graph Neural Networks (GNN). Det er en arkitektur, der er velegnet til at bearbejde geografiske, strukturerede data.

Modellen var først trænet med flere årtiers oplysninger om vejret for at lære den årsager og virkninger relateret til vejrforandringer. Algoritmen blev fordret med 40 års træningsdata fra ECMWF, som gjorde det muligt at genanalysere vejrprognoserne ud fra data fra satellitter, radarer og vejrstationer.

Huller i observationerne blev fyldt ud af traditionelle fysikbaserede forudsigelsesmetoder. De detaljerede træningsdata om det historiske globale vejr blev brugt til at forudsige fremtidens vejr.

I test viste GraphCast sig at imponere. AI’en overgik med længder de hidtil mest nøjagtige systemer i 90 procent af de 1.380 opstillede testmål. I troposfæren – altså det laveste lag af jordens atmosfære, hvor de fleste vejrfænomener forekommer – var forskellen endnu større. Her klarede GraphCast sig bedre end HRES på 99,7 procent af testvariablerne, når det gælder vejrprognoser.

Ud over højere nøjagtighed er GraphCast også langt mere effektiv. Hvor en traditionel vejrprognose kan tage flere timer at beregne med en supercomputer bestående af flere hundrede computerenheder, tager en 10-dages vejrudsigt under to minutter at lave med GraphCast.

Stadig plads til forbedringer

Selv om GraphCast imponerer, er der fortsat plads til forbedringer. Godt nok er algoritmen god til at forudsige cykloners bevægelsesmønstre, men den er mindre effektiv til at forudsige styrken.

“I øjeblikket er det et område, hvor GraphCast og maskinlæringmodeller stadig halter en smule efter fysiske modeller. Jeg håber, at det kan blive et område, hvor der kan ske yderligere forbedringer, men det viser, at det stadig er en teknologi i sin spæde start,” siger Matthew Chantry.

Sådanne forbedringer vil med al sandsynlighed komme, for GraphCast er open source og er tilgængelig via Github, og alle og enhver kan derfor bidrage med input til og eksperimentere med modellen. Det er også muligt at se en live-udgave af GraphCast på ECMWF’s hjemmeside.

Læs også: Nyheder om kunstig intelligens