مدل AI آژانس های جهانی را در پیش بینی های مسیر سیکلون ضرب و شتم می کند • ثبت نام

دانشمندان یک مدل یادگیری ماشین ایجاد کرده اند که می تواند از آژانس های رسمی در پیش بینی آهنگ های سیکلون گرمسیری بهتر عمل کند و این کار را سریعتر و ارزان تر از سیستم های سنتی مبتنی بر فیزیک انجام دهد.

شفق قطبی ، یک الگوی بنیادی که توسط محققان مایکروسافت ، دانشگاه پنسیلوانیا (UPENN) و چندین موسسه دیگر ساخته شده است ، برای بهبود سرعت و صحت پیش بینی های سیستم زمین ، از کیفیت هوا و امواج اقیانوس گرفته تا آهنگ های سیکلون گرمسیری و آب و هوای با وضوح بالا طراحی شده است.

پاریس Perdikaris ، نویسنده اصلی و استادیار مهندسی مکانیک و مکانیک کاربردی در UPENN ، شفق قطبی را به عنوان یک شبکه عصبی بزرگ توصیف می کند. همانطور که چتپ برای متن انجام می دهد ، شفق قطبی از داده های ژئوفیزیکی گذشته برای پیش بینی فرآیندهای فیزیکی پیچیده ، بدون تکیه صریح به معادلات فیزیک سنتی یاد می گیرد.

وی گفت: “مدل های سنتی بر اساس اصول بدنی اول ، مانند حفظ توده ، حرکت و انرژی طراحی شده اند.” “از طرف دیگر شفق قطبی به طور مستقیم از آن اصول فیزیکی استفاده نمی کند ، بلکه در عوض به مشاهدات و داده ها متکی است.

“شفق قطبی از مجموعه ای بسیار متنوع از داده های ژئوفیزیکی ، از جمله پیش بینی ها ، مشاهدات و آنچه ما به آن تجزیه و تحلیل و داده های تجزیه و تحلیل می نامیم ، می آموزد ، که اساساً بازسازی الگوهای آب و هوایی تاریخی است که به آنها دسترسی داریم.”

همانطور که محققان در مقاله طبیعت که چهارشنبه منتشر شده است ، تصدیق می کنند ، پیشرفت سریع شفق قطبی به کارگاهی بستگی دارد که به روشهای سنتی ارائه شده است. “چنین جدول زمانی شتاب فقط به دلیل ثروت داده هایی که در نتیجه ده ها سال تحقیق در مورد رویکردهای عددی سنتی در دسترس است ، امکان پذیر است.”

در این مقاله آمده است: شفق قطبی در بیش از یک میلیون ساعت داده های متنوع ژئوفیزیکی و تنظیم دقیق بیش از چهار تا هشت هفته توسط تیم های مهندسی کوچک ، “در مقایسه با یک دوره توسعه معمولی چندین سال برای مدلهای پایه دینامیکی ، تنظیم شد.”

شفق قطبی ، که فقط بر روی داده های تاریخی آموزش دیده بود ، توانست به طور صحیح همه طوفان ها را در سال 2023 با دقت بیشتری از مراکز پیش بینی عملیاتی پیش بینی کند

این مدل از ترکیبی از رمزگذارهای مبتنی بر درک کننده ، ستون فقرات ترانسفورماتور سه بعدی و تکنیک های پیش بینی بازگشتی استفاده می کند و با تکیه بر تعبیه بردار چند بعدی شبیه به مدل های مورد استفاده در مدل های بزرگ زبان.

Perdikaris گفت: “شفق قطبی ، که فقط بر روی داده های تاریخی آموزش دیده بود ، توانست به طور صحیح همه طوفان ها را در سال 2023 با دقت بیشتری از مراکز پیش بینی عملیاتی پیش بینی کند.”

نویسندگان گزارش دادند که شفق قطبی از هفت مرکز پیش بینی عملیاتی در پیش بینی های مسیر پنج روزه سیکلون گرمسیری برای همه سیکلون های جهانی در 2022-2023 بهتر عمل می کند. همچنین از مدل های عددی پیشرفته در 92 درصد از اهداف در 10 روز پیش بینی آب و هوا با وضوح 0.1 درجه پیشی گرفت.

آنها به عنوان یک مدل پایه و اساس ، پیشنهاد می کنند که شفق قطبی می تواند برای طیف گسترده ای از کارهای پیش بینی سیستم زمین فراتر از آب و هوا ، از جمله کیفیت هوا ، پویایی اقیانوس و افراط و تفریط محیطی تنظیم شود.

نویسندگان نوشتند: “پیامدهای احتمالی شفق قطبی برای زمینه پیش بینی سیستم زمین عمیق است.” “اگرچه در این مقاله کاربرد شفق قطبی به چهار حوزه را به نمایش می گذاریم ، می توان آن را برای هر کار پیش بینی سیستم زمین مورد نظر تنظیم کرد ، به طور بالقوه پیش بینی هایی را تولید می کند که از سیستم های عملیاتی فعلی با بخشی از هزینه بهتر است.”

برنامه های بالقوه از مدل سازی جریان های اقیانوس ، الگوهای آب و هوایی کوتاه مدت و طولانی مدت و چرخه پوشش گیاهی ، تا پیش بینی آتش سوزی ، سیل ، بازده محصول ، رفتار گرده افشانی ، خروجی انرژی تجدید پذیر و تغییر در پوشش یخ دریا متغیر است.

آنها افزودند: “با امکان تنظیم دقیق شفق قطبی به دامنه های متنوع برنامه با هزینه محاسباتی متوسط ​​، شفق قطبی نشان دهنده پیشرفت قابل توجهی در پیش بینی های عملی در دسترس برای هر کسی است.”

این تنها مدل هوش مصنوعی نیست که هواشناسی را لرزاند. در ماه مارس ، Aardvark ، یک سیستم پیش بینی هواشناسی مبتنی بر یادگیری ماشین ، نوید در عملکرد بهتر از مدل های سنتی مبتنی بر ابر رایانه را نشان داد. این سیستم را می توان آموزش داده و بر روی یک دسک تاپ مجهز به GPU های NVIDIA ، پیش بینی های 10 روزه در دقیقه و با کسری از هزینه محاسباتی مدل های آب و هوای عددی فعلی تولید کرد. ®