DeepMind AI dự báo thời tiết chính xác trên máy tính bàn
Công ty Trí tuệ nhân tạo (AI) Google DeepMind đã phát triển mô hình học máy có thể dự báo thời tiết nhanh chóng và chính xác hơn so với các mô hình thông thường. Mô hình này có tên GraphCast, có thể chạy trên máy tính để bàn.
“GraphCast hiện đang dẫn đầu cuộc đua giữa các mô hình AI”, nhà khoa học máy tính Aditya Grover tại Đại học California, Los Angeles cho biết. Mô hình này đã được giới thiệu trên tạp chí Science vào ngày 14/11.
Dự báo thời tiết là một nhiệm vụ phức tạp và tốn nhiều năng lượng. Phương pháp tiêu chuẩn thường dùng là dự báo thời tiết số trị (NWP), sử dụng các mô hình toán học dựa trên các nguyên tắc vật lý. Các mô hình vật lý này được chạy trên các siêu máy tính và thu thập dữ liệu thời tiết từ phao, vệ tinh và trạm thời tiết trên toàn thế giới. Các phép tính sẽ lập bản đồ chính xác sự di chuyển của nhiệt, không khí và hơi nước trong khí quyển, tuy nhiên, công việc này rất tốn kém.
Cuộc cách mạng dự báo thời tiết
Để giảm chi phí, một số công ty công nghệ đã phát triển các mô hình học máy có thể dự báo nhanh chóng tình trạng thời tiết toàn cầu trong tương lai từ dữ liệu thời tiết trong quá khứ và hiện tại. Trong số đó có DeepMind, nhà sản xuất chip máy tính Nvidia và công ty công nghệ Trung Quốc Huawei, cùng hàng loạt công ty khởi nghiệp như Atmo, có trụ sở tại Berkeley, California. Trong số này, mô hình thời tiết Pangu của Huawei là đối thủ mạnh nhất của hệ thống NWP tiêu chuẩn vàng tại Trung tâm Dự báo thời tiết hạn vừa châu Âu (ECMWF) ở Vương quốc Anh, nơi cung cấp các dự báo thời tiết hàng đầu thế giới trước 15 ngày.
Matthew Chantry, điều phối viên học máy tại ECMWF, cho biết học máy đang thúc đẩy một cuộc cách mạng trong dự báo thời tiết. Nhà nghiên cứu trực quan hóa dữ liệu Jacob Radford ở Viện Hợp tác nghiên cứu khí quyển ở Colorado, cho biết các mô hình AI chạy nhanh hơn 1000 – 10.000 lần so với các mô hình NWP thông thường, giúp các nhà khoa học có nhiều thời gian hơn để diễn giải và truyền đạt các dự báo.
Khi thực hiện nhiệm vụ dự báo thời tiết toàn cầu, GraphCast vượt trội hơn các phương pháp thông thường và các phương pháp dựa trên AI. Để đào tạo mô hình này, các nhà nghiên cứu đã sử dụng các dự báo thời tiết toàn cầu được thực hiện từ năm 1979 đến năm 2017 bằng các mô hình vật lý. Điều này giúp GraphCast tìm hiểu mối liên hệ giữa các biến thời tiết như áp suất không khí, gió, nhiệt độ và độ ẩm.
Mô hình này sử dụng trạng thái “hiện tại” của thời tiết toàn cầu và dự báo thời tiết từ 6 giờ trước để dự báo thời tiết 6 giờ tới. Những dự báo trước đó sẽ trở thành nguồn dữ liệu đầu vào cho mô hình, giúp nó đưa ra các dự báo xa hơn trong tương lai. Các nhà nghiên cứu của DeepMind nhận thấy GraphCast có thể sử dụng dự báo thời tiết toàn cầu từ năm 2018 để đưa ra dự báo trước 10 ngày trong vòng chưa đầy một phút, và các dự báo này chính xác hơn so với hệ thống dự báo độ phân giải cao (HRES) của ECMWF, thường mất hàng giờ để dự báo. “Trong tầng đối lưu – phần khí quyển gần bề mặt nhất ảnh hưởng đến chúng ta nhiều nhất, GraphCast vượt trội hơn HRES trên 99% trong số 12.000 phép đo mà chúng tôi đã thực hiện”, nhà khoa học máy tính Rémi Lam tại DeepMind cho biết. Ở mọi tầng khí quyển, mô hình này dự báo thời tiết tốt hơn HRES khoảng 90%.
GraphCast dự báo trạng thái của năm biến thời tiết gần bề mặt Trái đất, chẳng hạn như nhiệt độ không khí cách mặt đất hai mét và sáu biến khí quyển, chẳng hạn như tốc độ gió ở xa bề mặt Trái đất.
Dù vậy, việc dự báo thời tiết bằng các phương pháp học máy vẫn còn một số hạn chế. Grover cho biết, không giống như các mô hình NWP, các nhà nghiên cứu chưa thể hiểu đầy đủ cách thức hoạt động của các mô hình AI như GraphCast vì quá trình ra quyết định diễn ra trong “hộp đen” của AI. “Điều này đặt ra câu hỏi về độ tin cậy của chúng,” ông nói. Ngoài ra, các mô hình AI cũng có nguy cơ khuếch đại sai lệch trong dữ liệu đào tạo và cần nhiều năng lượng, mặc dù chúng tiêu thụ ít hơn các mô hình NWP.□
Thanh An lược dịch
Nguồn: https://www.nature.com/articles/d41586-023-03552-y
