Погода в Европе и мире: почему нейросети пока не справляются с ураганами

Развитие технологий искусственного интеллекта постепенно меняет глобальную метеорологию, однако заменить традиционные физические модели нейросетям пока не под силу. Об этом подробно рассказал ведущий научный сотрудник Института полярных и морских исследований имени Альфреда Вегенера (Alfred Wegener Institute, AWI) в Германии Николай Колдунов. По оценкам исследователей, несмотря на колоссальную скорость вычислений, алгоритмы машинного обучения по-прежнему демонстрируют уязвимость при прогнозировании экстремальных погодных катаклизмов.

Суперкомпьютеры против алгоритмов на ноутбуке

Классический прогноз погоды формируется на основе фундаментальных законов гидро- и термодинамики. Спутниковые снимки, показания наземных метеостанций, морских буев и зондов собираются в единую систему усвоения данных (data assimilation). Этот процесс корректирует текущую картину состояния атмосферы и задает так называемые начальные условия — распределение температуры, давления и потоков ветра. Затем специализированные численные модели на базе дифференциальных уравнений просчитывают дальнейшую динамику.

Для таких расчетов требуются колоссальные мощности. Национальные центры — такие как Европейский центр среднесрочных прогнозов погоды (ECMWF) с дата-центром в итальянской Болонье, американское Национальное управление океанических и атмосферных исследований (NOAA) и британская служба MetOffice — задействуют мощнейшие суперкомпьютеры. При этом британское ведомство совместно с корпорацией Microsoft одним из первых перенесло метеорологические вычисления в коммерческое облако.

Искусственный интеллект позволяет кардинально ускорить получение результата. В рамках европейской инициативы по созданию цифрового двойника планеты Destination Earth, запуск которого намечен к 2030 году, ECMWF разрабатывает проект Forecast-in-a-Box («прогноз в коробке»). Если для обучения нейросетей суперкомпьютер нужен один раз, то готовая модель способна рассчитать детальный десятидневный прогноз на обычном персональном ноутбуке всего за считанные секунды.

Слабое место ИИ: дефицит экстремальных данных

Главная проблема машинного обучения кроется в специфике его обучения. Нейросети выявляют статистические закономерности на основе огромных массивов исторических наблюдений. Если в обучающей выборке отсутствуют редкие или рекордные по разрушительности аномалии — например, ураганы высшей пятой категории по шкале Саффира — Симпсона, — ИИ не способен адекватно смоделировать их зарождение и поведение.

В отличие от статистических моделей, физические уравнения не зависят от прецедентов и способны описывать процессы, с которыми планета ранее не сталкивалась. На данный момент нейросетевые прогнозы нередко ошибаются в оценке разрушительной силы экстремальных вихрей и точности их траекторий.

AI-downscaling и долгосрочные сценарии климата

В вопросах глобального климата заменить физику нейросетями еще сложнее. Климатические проекции анализируют изменения на десятилетия и столетия вперед под воздействием климатического форсинга — постоянного антропогенного роста концентрации парниковых газов, в первую очередь диоксида углерода (CO2). Поскольку данных из будущего не существует, обучать нейросеть независимо от фундаментальных физических законов невозможно.

Тем не менее ИИ нашел ключевое применение в механизме под названием AI-downscaling (динамическое масштабирование). Глобальные климатические расчеты оперируют крупными пространственными ячейками — грид-боксами (grid boxes) размером порядка 100 на 100 километров. Нейросети эффективно детализируют эту сетку до локального уровня в 5–10 километров, позволяя точнее понять, как потепление отразится на конкретных городах и регионах Европы.

Экологическая цена вычислений и неизбежное потепление

По словам Николая Колдунова, углеродный след от метеорологических дата-центров несопоставим с пользой для предотвращения катастроф и спасения жизней: выбросы от таких центров не превышают эффект от одного океанского круизного лайнера, уступая энергозатратам систем генеративного ИИ.

Современные сценарии (климатические storylines) показывают, что преодоление планки глобального потепления в 2 градуса Цельсия по сравнению с доиндустриальной эпохой становится вопросом ближайших десятилетий. Уже через 15–20 лет в Арктике летом может полностью исчезать морской лед, а тепловое расширение воды вкупе с таянием ледников Гренландии ускоряет подъем уровня Мирового океана. В этих условиях симбиоз физических формул и нейросетей становится базовым инструментом адаптации городской и транспортной инфраструктуры к новой климатической реальности.