Gönderiyi okuyorsunuz: DeepMind ve Google GraphCast’ı sunuyor: hızlı ve ölçeklenebilir bir makine öğrenimi hava durumu simülatörü
İnsanlar kıyafet seçiminden kasırga durumunda ne yapacaklarına kadar hayatlarının her alanında tahmini hava durumunu dikkate alıyor. Genellikle üç ila yedi günlük bir zaman dilimi boyunca yapılan tahminlere orta vadeli tahmin denir. Tarım, inşaat, seyahat vb. gibi çeşitli sektörler, karar alırken Avrupa Hava Tahmin Merkezi Orta Vadeli (ECMWF) gibi meteoroloji ofisleri tarafından günde dört defaya kadar sunulan “orta vadeli” hava tahminlerine güvenmektedir. ).
Orta vadeli hava tahminlerinin iki ana bölümü vardır; her ikisi de devasa yüksek performanslı bilgi işlem (HPC) kümeleri kullanılarak simüle edilir. İlk bölüm, uydular, hava istasyonları, gemiler vb. tarafından toplanan güncel ve geçmiş verileri analiz ederek hava koşullarını tahmin etme yöntemi olan “veri asimilasyonu”dur. İkincisi ise iklimle ilgili değişkenlerin zaman içinde nasıl değişeceğini tahmin eden bir model. ; Bu modeller genellikle sayısal hava tahmini (NWP) kullanılarak oluşturulur.
Ancak simülasyonları yürütmek için hesaplamalı kümelere dayanan geleneksel NWP tabanlı tahmin modelleri, artan hava durumu verileri nedeniyle verimli bir şekilde ölçeklenemiyor. Doğruluğu, insan uzmanlarının zaman ve kaynaklarının katkısına bağlıdır.
DeepMind ve Google’ın yeni çalışması, verilerle iyi ölçeklenen ve 60 saniyeden daha kısa sürede 10 günlük bir tahmin oluşturabilen, makine öğrenimi (ML) tabanlı bir hava durumu simülatörü olan GraphCast’ı içeriyor. Son teknoloji makine öğrenimi tabanlı kıyaslamalarla ve dünyanın en doğru operasyonel deterministik orta vadeli hava tahmin sistemiyle karşılaştırıldığında GraphCast öne çıkıyor.
“GraphCast: Öğrenme Becerikli Orta Vadeli Küresel Hava Tahmini” makalesinde de belirtildiği gibi GraphCast, otoregresif bir model oluşturmak için “kodlama-işlem-kod çözme” düzenlemesinde grafik sinir ağlarını (GNN) kullanır. Araştırmacılara göre akışkanların ve diğer malzemelerin karmaşık fiziğini öğrenmek, GNN tabanlı tasarımlar için idealdir. Ayrıca, giriş grafiği yapıları herhangi bir uzamsal etkileşim modelini simüle etmek için kullanılabilir, çünkü giriş grafiği yapıları bir temsilin parçaları arasındaki etkileşimleri belirler. Ekip, minimum mesaj aktarımıyla uzun menzilli etkileşimlere olanak tanıyan yeni bir dahili çoklu ağ oluşturma tekniği geliştirerek bu GNN yeteneğinden yararlanıyor.
GraphCast’taki üç aşamalı simülasyon süreci şu şekildedir:
- Izgara noktalarından çoklu ağa yönlendirilmiş kenarları olan GNN, orijinal enlem ve boylam ızgarasından giriş verilerini çoklu ağ üzerinde öğrenilen özelliklere eşlemek için kullanılır.
- Uzun menzilli kenarların bilginin uzayda verimli bir şekilde yayılmasına izin verdiği çoklu ağ üzerinden öğrenilen mesajın aktarımını gerçekleştirmek için derin bir GNN kullanılır.
- Kod çözücü, son çoklu ağ gösterimini enlem ve boylam ızgarasına eşler ve ne gerekiyorsa yapar.
Ekip, GraphCast’i tek bir Cloud TPU v4 cihazında test etti. Bulguları, GraphCast’in 60 saniyeden daha kısa sürede 0,25° çözünürlükle 10 günlük bir tahmin üretebildiğini gösteriyor. GraphCast performansı, 2760 değişkenin %90’ında Avrupa Orta Vadeli Hava Tahminleri Merkezi’nin Yüksek Çözünürlüklü NWP tabanlı deterministik operasyonel tahmin sisteminden (HRES) daha iyi performans gösteriyor. Ayrıca 252 hedefin %99,2’sinde mevcut en doğru ML tabanlı hava tahmin modelinden daha iyi performans gösteriyor.
Bu çalışma, makine öğrenimi tabanlı simülasyonların fizik bilimlerinin diğer alanlarında kullanımını geliştirmektedir. Ekip, çalışmalarının hızlı ve doğru hava tahmini için yeni olanaklar yaratacağına inanıyor.
