Vremenski i klimatski modeli zasnovani na veštačkoj inteligenciji će promeniti budućnost predviđanja

Vremenski i klimatski modeli zasnovani na veštačkoj inteligenciji će promeniti budućnost predviđanja

Novi sistem za prognozu vremena i predviđanje buduće klime koristi veštačku inteligenciju (AI) za postizanje rezultata uporedivih sa najboljim postojećim modelima uz korišćenje mnogo manje računarske snage, prema istraživačima. Tim istraživača iz Gugla, MIT-a, Harvarda i Evropskog centra za srednjoročne vremenske prognoze objavio je rad u časopisu Nature ističući da njihov model nudi značajne prednosti u efikasnosti i performansama u odnosu na tradicionalne modele.

NeuralGCM model je najnoviji u nizu istraživačkih modela koji koriste napredak u mašinskom učenju kako bi unapredili vremenske i klimatske prognoze. Osnovna ideja ovog modela je kombinovanje najboljih karakteristika tradicionalnih metoda sa pristupom mašinskog učenja. U suštini, NeuralGCM predstavlja „model opšte cirkulacije“ koji matematički opisuje fizičko stanje Zemljine atmosfere i predviđa buduće događaje.

Jedinstvenost NeuralGCM modela leži u njegovom hibridnom pristupu koji koristi mašinsko učenje za bolje razumevanje manje poznatih fizičkih procesa, poput formiranja oblaka. Kroz kombinaciju matematičkih modela i algoritama mašinskog učenja, ovaj model postiže visoku preciznost u predviđanjima vremena za dane, nedelje, pa čak i mesece unapred.

U poređenju sa drugim modelima, kao što su Pangu i GraphCast, NeuralGCM se pokazao kao konkurentan, čak i u predviđanjima dugoročnih klimatskih promena. Dodatno, ovaj model je uspešno predviđao i manje uobičajene vremenske pojave, poput tropskih ciklona i atmosferskih reka.

Modeli mašinskog učenja zahtevaju obimnu bazu podataka za obuku, što može biti skupo i zahtevno, ali omogućava brzo i efikasno predviđanje jednom kada je model obučen. Upotreba mašinskog učenja u vremenskim prognozama još uvek nije standardna praksa, ali istraživanja u ovoj oblasti su intenzivna i obećavajuća.

NeuralGCM se ističe kao model koji uspešno kombinuje fiziku sa mašinskim učenjem, pružajući stabilnu osnovu za predviđanja u promenljivim klimatskim uslovima. Sa sve većom promenljivošću vremena usled klimatskih promena, važnost ovakvih modela postaje sve izraženija.