• Zašto je ovo važno: novi model nazvan NeuralGCM pruža bolju predikciju klime i vremena nego drugi modeli zasnovani na mašinskom učenju.
  • U čemu se ovaj model razlikuje od drugih zasnovanih na mašinskom učenju: ovaj model fuzira mašinsko učenje i standardne fizičke metode predviđanja vremena i klime.

Alat za mašinsko učenje značajno smanjuje potrebnu računalnu snagu za predviđanje  klime i mogao bi nam pomoći da budemo bolje pripremljeni za ekstremne vremenske događaje. Alat, koji je razvio Google, kombinuje umjetnu inteligenciju – mašinsko učenje, s konvencionalnim vremenskim prognoziranjem.

Novi pristup predikciji klime i vremena, nazvan NeuralGCM, nije zasnovan samo na umjetnoj inteligenciji. Naime, naučnici su shvatili kako postoji problem s čistim pristupima mašinskog učenja jer se algoritam trenira na podacima s kojima je već došao u dodir, već vidio. Međutim, klima se stalno mijenja, ulazimo u nepoznato, pa modeli strojnog učenja moraju ekstrapolirati u tu nepoznatu budućnost.

Alat, opisan u časopisu Nature 22. jula 2024. godine, pod naslovom “Neural general circulation models for weather and climate”, prvi je model mašinskog učenja koji generiše tačne vremenske prognoze — one koje predstavljaju raspon scenarija. Njegov razvoj otvara vrata za prognoziranje koje je brže i manje energetski intenzivno od postojećih alata, te detaljnije od pristupa koji se temelje isključivo na AI.

Trenutni sistemi za prognoziranje obično se oslanjaju na opće cirkulacijske modele (GCM), programe koji se temelje na zakonima fizike kako bi simulirali procese u oceanima i atmosferi Zemlje i predvidjeli kako bi mogli utjecati na ponašanje klime i vremena. No, GCM-ovi zahtijevaju puno računalne snage, i puno vremena čak i na super kompjuterima. Napredak u mašinskom učenju počinje pružati efikasniju alternativu. NeuralGCM smanjuje tu računalnu snagu a izbjegava probleme drugih AI modela.

Već postoje neki modeli prognoziranja koji koriste mašinsko učenje, poput Pangu-Weather, koji je izgradio Huawei, sa sjedištem u Shenzhenu, i GraphCast od Google DeepMind, sa sjedištem u Londonu. Ovi modeli imaju slične razine tačnosti kao tipični GCM-ovi za determinističko prognoziranje — pristup koji generiše jednu vremensku prognozu. No, nisu toliko pouzdani za ansambl prognoziranje (simulacije koje predstavljaju niz mogućih budućih vremenskih stanja  ili za dugoročne klimatske prognoze.