ИИ научился предсказывать редкие экстремальные погодные явления
Системы прогнозирования долгие годы учились на архивных наблюдениях и неплохо справлялись с обычными погодными циклами. Но когда климат стремительно меняется, появляется проблема. Моделям приходится сталкиваться с событиями, для которых нет аналогов в прошлом. Джейкоб Ландсберг из Бостонского университета сравнивает это с попыткой «предсказать будущее, опираясь на климат вчерашнего дня».
Для редких аномалий — вроде тысячелетних ливней или тепловых волн, которые выбрасывают температуру за пределы привычного,— данных слишком мало. Искусственный интеллект усилил классические методы, но и ИИ сталкивался с тем же ограничением.
Новая схема прогнозов
У международной группы климатологов и специалистов по машинному обучению появился экспериментальный подход. Ученые решили объединить вычислительную климатическую модель, математический аппарат для анализа редких событий и нейросетевую систему. Такой гибрид отсекает малозначимые сценарии и сосредотачивается только на тех путях развития атмосферы, которые реально могут привести к экстремумам.
Физик Педрам Хассанзаде из Чикагского университета подчеркивает, что именно эта стратегия «может стать дорогой в будущее». Результаты команда представила на arXiv и готовится обсуждать на научных конференциях.
Почему ИИ ошибается
Крайние явления зачастую случаются раз в несколько сотен или даже тысячу лет, поэтому в распоряжении алгоритмов есть лишь узкий временной срез — примерно 40 лет наблюдений. Эта нехватка обучающих примеров приводит к тому, что нейросети уверенно работают со средней погодой, но теряются перед штормами беспрецедентной мощности.
Характерный пример — ливни, которые обрушились на Дубай весной 2024 года и превысили норму осадков почти за год. Команда Цяна Суна и Хассанзаде проверила две модели ИИ и с удивлением обнаружила, что GraphCast от Google DeepMind могла бы предсказать это за восемь дней.
Однако при работе с тропическими циклонами FourCastNet от NVIDIA столкнулась с пределами своих возможностей. В ее обучающем наборе просто не было достаточного количества суперштормов. Неожиданный плюс в том, что эта модель все же смогла переносить знания: анализировала штормы Атлантики и использовала этот опыт для точек из Тихого океана. Хассанзаде считает, что такая способность открывает «огромные перспективы».
Проверка гибридной модели
Следующий шаг исследователи сделали с помощью нейросети Pangu-Weather (Huawei Cloud). Ее интегрировали с глобальной климатической моделью и математикой редких явлений. Целью стало прогнозирование экстремальных волн жары в средних широтах.
Результаты оказались обнадеживающими. Система смогла оценивать вероятность аномальной жары в Европе и Северной Америке быстрее и не менее точно, чем традиционные методы.
По словам Александра Викнера, участвовавшего в разработке:
«Гибридная модель выявляла наиболее опасные погодные сценарии и направляла климатическую модель моделировать именно их, что значительно ускорило расчеты и помогло предотвратить последствия клмматических катастроф»
Ученые подчеркивают, что работа только началась. Это позволит получать более уверенные оценки воздействия разных сценариев глобального потепления. Главная цель — дать обществу шанс подготовиться к событиям, которых раньше просто не было.
«В следующем году может случиться что-то, что не повторялось никогда. Нам нужно заранее понимать, как к этому подойти», — — говорит Сун.
