DeepMind tuyên bố hệ thống AI mới của họ là dự báo thời tiết 10 ngày chính xác nhất thế giới

Một mô hình AI mới từ Google DeepMind được cho là hệ thống dự báo thời tiết toàn cầu 10 ngày chính xác nhất thế giới, theo thông báo của phòng thí nghiệm đặt tại London.

Được đặt tên là GraphCast, mô hình này hứa hẹn mang đến dự báo thời tiết trung hạn với "độ chính xác chưa từng có." Trong một nghiên cứu được công bố hôm nay, GraphCast đã được chứng minh là chính xác hơn và nhanh hơn so với tiêu chuẩn vàng trong ngành mô phỏng thời tiết, High-Resolution Forecast (HRES).

Hệ thống cũng dự đoán thời tiết cực đoan xa hơn so với trước đây có thể thực hiện được.

Các thông tin này đã được phân tích bởi Trung tâm Dự báo Thời tiết Trung hạn châu Âu (ECMWF), một tổ chức liên chính phủ sản xuất HRES.

Một phiên bản trực tuyến của GraphCast đã được triển khai trên trang web của ECMWF. Vào tháng 9, hệ thống đã dự đoán chính xác khoảng chín ngày trước rằng siêu bão Lee sẽ đổ bộ ở Nova Scotia.

Ngược lại, các phương pháp dự báo truyền thống chỉ chú ý đến Nova Scotia khoảng sáu ngày trước. Chúng cũng cung cấp dự đoán ít nhất nhất về thời gian và địa điểm đổ bộ.

Một cách hấp dẫn, GraphCast có thể xác định các sự kiện thời tiết nguy hiểm mà không cần được đào tạo để tìm kiếm chúng. Sau khi tích hợp một theo dõi siêu bão đơn giản, mô hình đã dự đoán chuyển động của siêu bão chính xác hơn so với phương pháp HRES.

Dữ liệu như vậy có thể cứu sống và bảo vệ sinh kế. Khi khí hậu trở nên khắc nghiệt và khó dự đoán hơn, dự báo nhanh và chính xác sẽ mang lại những hiểu biết ngày càng quan trọng cho kế hoạch đối phó với thảm họa.

Matthew Chantry, một người phối hợp máy học tại ECMWF, tin rằng ngành của mình đã đạt đến một điểm quay.

“Có lẽ còn nhiều công việc phải làm để tạo ra các sản phẩm hoạt động đáng tin cậy, nhưng đây có lẽ là sự bắt đầu của một cuộc cách mạng,” Chantry nói tại cuộc họp báo.

Ông Chantry cũng thêm rằng các tổ chức khí tượng đã trước đây mong đợi rằng trí tuệ nhân tạo sẽ hữu ích nhất khi kết hợp với vật lý. Nhưng những đột phá gần đây cho thấy rằng học máy cũng có thể dự báo thời tiết trực tiếp.

Cách GraphCast hoạt động

Dự báo thời tiết truyền thống dựa trên các phương trình vật lý phức tạp. Sau đó, chúng được chuyển đổi thành thuật toán chạy trên siêu máy tính.

Quá trình có thể là một công việc đau đớn. Điều này cũng đòi hỏi kiến thức chuyên sâu và tài nguyên máy tính lớn.

GraphCast sử dụng một kỹ thuật khác. Mô hình kết hợp học máy với Mạng Nơ-ron Đồ Thị (GNNs), một kiến trúc tài năng trong xử lý dữ liệu có cấu trúc không gian.

Để hiểu nguyên nhân và ảnh hưởng xác định sự thay đổi thời tiết, hệ thống được đào tạo trên nhiều thập kỷ thông tin thời tiết.

Các phương pháp truyền thống cũng được tích hợp. ECMWF cung cấp GraphCast dữ liệu đào tạo từ khoảng 40 năm tái phân tích thời tiết, bao gồm theo dõi từ vệ tinh, radar và các trạm thời tiết.

Khi có khoảng trống trong các quan sát, các phương pháp dự đoán dựa trên vật lý sẽ điền vào. Kết quả là một lịch sử chi tiết về thời tiết toàn cầu. GraphCast sử dụng những bài học từ quá khứ để dự đoán tương lai. 

GraphCast thực hiện dự đoán với độ phân giải không gian là 0.25 độ vĩ độ/kinh độ.

Để hiểu rõ hơn, hãy tưởng tượng Trái đất được chia thành một triệu điểm lưới. Tại mỗi điểm, mô hình dự đoán năm biến số bề mặt Trái đất và sáu biến số khí quyển. Cùng nhau, chúng bao phủ toàn bộ không khí của hành tinh ở 3D qua 37 tầng.

Các biến số bao gồm nhiệt độ, gió, độ ẩm, lượng mưa và áp suất mực nước biển. Chúng cũng tích hợp geopotential — năng lượng tiềm năng của một khối lượng đơn vị, tại một vị trí cụ thể, so với mức biển trung bình.

Trong các thử nghiệm, kết quả đáng kinh ngạc. GraphCast vượt trội đáng kể so với hệ thống xác định chính xác nhất trên 90% trong số 1.380 mục tiêu thử nghiệm.

Sự chênh lệch trở nên rõ ràng hơn trong tầng quyển học — tầng thấp nhất của khí quyển Trái đất và nơi diễn ra hầu hết hiện tượng thời tiết. Ở khu vực này, GraphCast vượt trội HRES trên 99.7% số biến số thử nghiệm cho thời tiết tương lai.

GraphCast cũng rất hiệu quả. Một dự báo 10 ngày chỉ mất dưới một phút để hoàn thành trên một máy Google TPU v4 duy nhất.

So với đó, phương pháp truyền thống có thể mất giờ tính toán trên siêu máy tính với hàng trăm máy.

Tương lai của trí tuệ nhân tạo trong dự báo thời tiết

Mặc dù có kết quả đầu tiên đầy hứa hẹn, nhưng GraphCast vẫn có thể hưởng lợi từ sự hoàn thiện thêm. Ví dụ, trong dự đoán về cơn bão, mô hình chứng minh độ chính xác khi theo dõi chuyển động, nhưng ít hiệu quả hơn trong việc đo lường cường độ.

Gentry rất mong muốn thấy điều này có thể cải thiện đến đâu.

“Hiện tại, đó là một lĩnh vực mà GraphCast và các mô hình học máy vẫn đang kém một chút so với mô hình vật lý… Tôi hy vọng rằng đây có thể là một lĩnh vực có thể cải thiện thêm, nhưng điều này chỉ ra rằng đó là một công nghệ mới nổi,” ông nói.

Những cải tiến này có thể đến từ bất cứ nơi nào, vì DeepMind đã mã nguồn mô hình đã được công bố. Tổ chức toàn cầu và cá nhân đều có thể thử nghiệm với GraphCast và thêm vào những cải tiến của riêng họ.

Các ứng dụng tiềm năng là, một cách trớ trêu, không thể dự đoán. Dự báo có thể, ví dụ, thông tin sản xuất năng lượng tái tạo và định tuyến giao thông hàng không. Nhưng chúng cũng có thể được áp dụng vào các nhiệm vụ mà người ta chưa hình dung.

“Có rất nhiều ứng dụng phụ thuộc vào dự báo thời tiết,” nói Peter Battaglia, giám đốc nghiên cứu của Google DeepMind. “Và chúng tôi không biết hết tất cả những điều đó.”