Google-ийн хиймэл оюун ухааны цаг агаарын таамаглалын загвар өндөр үр дүнтэй байна

Google DeepMind-ээс боловсруулсан GenCast гэх шинэ AI загвар нь уламжлалт цаг агаарын таамаглалын системтэй өрсөлдөхүйц нарийвчлалтай гэдгээ харуулжээ. 2019 оны мэдээлэл дээр туршиж үзэхэд, тэргүүлэх таамаглалын загварыг давсан болохыг саяхан нийтлэгдсэн судалгаа баталсан байна.

Хиймэл оюун ухаан ойрын үед уламжлалт таамаглалын системийг орлохгүй ч цаг агаарын урьдчилсан мэдээг илүү сайжруулах, хүчтэй шуурганы аюулыг эрт анхааруулах хэрэгсэл болох боломжтой. GenCast бол илүү нарийвчлалтай урьдчилсан мэдээ гаргахад хувь нэмэр болох хэд хэдэн AI цаг агаарын таамаглалын загваруудын нэг юм.

“Цаг агаар бол бидний амьдралын бүх хэсэгт нөлөөлдөг… Мөн энэ нь шинжлэх ухааны томоохон сорилтуудын нэг юм. Google DeepMind-ийн зорилго бол хиймэл оюун ухааныг хүн төрөлхтний тусын тулд хөгжүүлэх явдал бөгөөд энэ чиглэлд бидний чухал хувь нэмэр бол GenCast юм” гэж DeepMind-ийн ахлах судлаач Илан Прайс онцолжээ.

Прайс болон түүний баг GenCast-ийг Европын дунд хугацааны цаг агаарын урьдчилсан мэдээний төвийн (ECMWF) ENS системтэй харьцуулан туршиж үзжээ. Nature сэтгүүлд нийтлэгдсэн судалгаагаар GenCast нь 97.2 хувийн давуу амжилт үзүүлсэн байна.

GenCast нь 1979-2018 оны цаг агаарын мэдээллээр сургагдсан машин сургалтын загвар бөгөөд дөрвөн арваны мэдээллийн хэв маягийг таньж, ирээдүйд юу болохыг таамагладаг. Харин уламжлалт ENS загвар нь агаар мандлын физикийн нарийн тооцооллыг суперкомпьютероор боддог онцлогтой. Аль аль нь боломжит хувилбаруудын цогц таамаглал гаргадаг.

Халуун орны циклоны замыг урьдчилан таамаглахад GenCast дунджаар 12 цагийн өмнө нэмэлт мэдээлэл өгч чаджээ. Мөн энэ загвар нь циклоны зам, эрс тэс цаг агаар, салхины эрчим хүчний үйлдвэрлэлийг 15 хоногийн өмнөөс илүү нарийвчлалтай таамаглах чадвараараа давуу байжээ.

GenCast загварыг ENS системийн хуучин хувилбартай харьцуулан туршсан нь нэг сул тал байж магадгүй, учир нь одоогийн ENS илүү өндөр нарийвчлалтай ажилладаг. Шинжлэх ухааны хяналтад орсон уг судалгаа нь GenCast-ийн таамаглалыг ENS-ийн 2019 оны таамаглалуудтай харьцуулан тухайн жил бодит байдалд хэр ойрхон байсныг үнэлсэн байна. ECMWF-ийн машин сургалтын зохицуулагч Мэтт Чантригийн мэдээлснээр, ENS систем 2019 оноос хойш ихээхэн сайжирсан тул GenCast өнөөдөр ENS-ийг хэрхэн давж ажиллахыг тодорхой хэлэхэд бэрх.

Нарийвчлал бол хүчтэй таамаглал гаргах цорын ганц чухал хүчин зүйл биш гэдгийг тэмдэглэх нь зүйтэй. 2019 онд ENS нь GenCast-аас арай өндөр нарийвчлалтай ажиллаж байсан ч GenCast давуу тал гаргаж чаджээ. DeepMind 2020-2022 оны өгөгдөлд ижил төрлийн судалгаа хийж ижил төстэй үр дүнд хүрсэн ч эдгээр судалгааг хараахан шинжлэх ухааны хяналтад оруулаагүй байна. Харин 2023 оны ENS-ийн өндөр нарийвчлалтай хувилбарын мэдээлэл байхгүй байсан тул харьцуулалт хийх боломжгүй байжээ.

GenCast дэлхийг торон сүлжээнд хуваан, 0.25 градусын нарийвчлалтайгаар ажилладаг. Энэ нь тус бүр нь өргөрөг, уртрагийн дөрөвний нэг хэмжээтэй квадратуудыг илэрхийлдэг гэсэн үг. Харин ENS 2019 онд 0.2 градусын, одоо 0.1 градусын нарийвчлалтай ажиллаж байна.

Гэсэн хэдий ч GenCast-ийн хөгжүүлэлт нь “Цаг агаарын таамаглалын хувьсалд томоохон амжилт болсон” гэж Чантри цахим захидалдаа онцолсон байна. ECMWF нь ENS-ийг удирдахын хажуугаар өөрийн машин сургалтын системийн хувилбарыг мөн ажиллуулж байгаа бөгөөд энэ нь GenCast-аас зарим санаа авч хөгжүүлэгдсэн гэж Чантри дурджээ.

GenCast-ийн нэг давуу тал бол хурд юм. Энэ загвар Google Cloud TPU v5 ашиглан 15 хоногийн урьдчилсан мэдээг ердөө найман минутын дотор гаргах боломжтой. Харин ENS шиг физикт суурилсан загварууд ижил хугацааны таамаглалыг гаргахад хэдэн цаг зарцуулдаг. GenCast нь ENS-ийн шийдэх шаардлагатай олон тооны тэгшитгэлийг тойрч гардаг тул таамаглал боловсруулахад бага хугацаа, тооцооллын нөөц шаарддаг.

“Уламжлалт таамаглалыг гаргахад GenCast шиг загвартай харьцуулахад тооцооллын хувьд хэдэн зуу дахин их зардал гардаг” гэж Прайс хэлжээ.

Энэхүү үр ашиг нь эрчим хүч их зарцуулдаг AI дата төвүүдийн байгаль орчинд үзүүлэх нөлөөний талаарх зарим санаа зовнилыг багасгаж болох юм. Гэхдээ GenCast-ийг физикт суурилсан загваруудтай тогтвортой байдлын хувьд харьцуулахад машины сургалтын загварыг сургахад хэр их эрчим хүч хэрэглэснийг мэдэхгүйгээр дүгнэхэд хэцүү.

GenCast-ийн нарийвчлалыг нэмэгдүүлэх зэрэг сайжруулах боломжууд байсаар байна. Мөн энэ загвар нь 12 цагийн интервалтай урьдчилсан мэдээ гаргадаг нь уламжлалт загваруудын богино интервалтай таамаглалтай харьцуулахад бодит хэрэглээнд заримдаа дутагдалтай байж болно. Жишээлбэл, салхины эрчим хүчний хэмжээ ямар байхыг үнэлэхэд өдөр тутамд нарийн мэдээлэл шаардлагатай байж болох юм.

“Салхи өдөржин хэрхэн өөрчлөгдөхийг мэдэхийг хүсэхээс бус зөвхөн өглөөний 6, оройн 6 цагийн мэдээлэл хангалтгүй” гэж Флоридагийн Их Сургуулийн цаг уурын дэд профессор Стивен Мулленс тайлбарлажээ. Тэрээр GenCast-ийн судалгаанд оролцоогүй ч энэ талаар байр сууриа илэрхийлсэн байна.

Хиймэл оюун ухааныг урьдчилсан мэдээг сайжруулахад хэрхэн ашиглах талаар сонирхол нэмэгдэж байгаа ч AI өөрийгөө бүрэн батлах шаардлагатай хэвээр байна. “Хүмүүс үүнийг сонирхож байгаа ч цаг уурын шинжлэх ухааны салбар нийтээрээ үүнийг бүрэн дэмжиж байгаа гэж хэлэхэд эрт байна” гэж Мулленс хэлсэн байна. “Бид физикийн хүрээнд сэтгэдэг сургагдсан эрдэмтэд. Харин AI физикийн суурьтай биш учраас бид одоо ч энэ үнэхээр сайн уу, яагаад сайн юм бэ гэдгийг ойлгохыг хичээж байна.”

Шинжээчид GenCast-ийг өөрсдөө туршиж үзэх боломжтой. DeepMind тус загварын эх кодыг нээлттэй эх сурвалж болгосон байна. Прайсийн хэлснээр, GenCast болон сайжруулсан AI загваруудыг уламжлалт загваруудтай хамт бодит хэрэглээнд ашиглах нь илүү итгэлцэл, итгэлийг бий болгоно. “Эдгээр загварууд мэргэжилтнүүдийн гарт орсноор нийгэмд илүү өргөн хүрээтэй эерэг нөлөө үзүүлэх боломжтой” гэж тэр хэлжээ.