Nyitókép: Wikimedia Commons
A klímaváltozással egyre pontatlanabb az időjárás hosszabbtávú előrejelzése. Szerencsére a csúcstechnológiák, és mint oly sok más esetben, közülük is a mesterséges intelligencia (MI) segít a probléma kezelésében.
Google-kutatók ugyanis MI-n, gráf neurális hálókon (GNN) alapuló időjárás-előrejelző rendszert fejlesztettek. A teszteken a GraphCast tíznapos prognózisa sokkal pontosabbnak bizonyult, mint a hagyományos módszert vagy korábbi, csak „sima” mélytanulást (deep learning) használóké.
Úgy ért el jobb teljesítményt, hogy viszonylag kis memóriával és kevesebb számítással dolgozott.
Csomópontok és élek
Mint ahogy a neve is elárulja, egy GNN élekkel összekötött csomópontokból álló gráfok formájában dolgozza fel a bemenő adatokat. Speciális ideghálóval frissíti a csomópontok – környező csomópontoktól függő – megjelenítését. A csomópontok például fogyasztókat és termékeket, az élek a vásárlást jelenítik meg.
A Google-kutatók munkájában a csomópontok a helyi időjárás, az élek pedig a helyszínek közötti kapcsolatok.
Egy adott helyszínen a környező területek feltételeitől függenek a rövidtávú változások. A gráf nagyfelbontású időjárás-térkép információit használva, jeleníti meg ezeket a kapcsolatokat. Minden egyes csomópont egy-egy terület, amelyeket az élek kötnek össze.
A hosszabbtávú változásokat viszont nemcsak közeli, hanem távoli területek is befolyásolják. Az utóbbiak közötti kapcsolatok ábrázolásához, a gráf kisebb felbontású térképet használ, arra másolódik, azon köt össze nagyobb távolságokat.
2023 európai időjárása (Kép: HikersBay)
A nagyobb és a kisebb felbontású időjárás-térképek éleit összekombinálva kapjuk meg a közelebbi és a távolabbi területek kapcsolatait egyaránt visszatükröző, és így hosszabb távú előrejelzésre is alkalmas gráfot.
A GraphCast három GNN-nel (kódolóval, feldolgozóval és dekódolóval) nagy- és kisfelbontású időjárás-térlépeket is készített. A kutatók 1979 és 2017 közötti globális időjárási adatokon gyakoroltatták a rendszert.
Megadtak neki egy feltételsort, majd egy hat órával korábbi másikat is; mindkettő lefedte az egész bolygót. A rendszer ezekből tanulta meg hat órákra és a többszörösükre is prognosztizálni az időjárást.
A fejlesztők 0,25×0,25 fokos területekre osztották a Földet a gráf, tulajdonképpen négyzethálózat elkészítéséhez. Nagyjából egymillió csomóponttal dolgoztak, mindegyikhez kétszáznál több értéket rendeltek: hőmérséklet, levegő nedvességtartalma, légnyomás, szélsebesség, csapadék stb. Ezeket adott időpontban és hat órával korábban is mérték. A csomópontokat északi, déli, nyugati és keleti határaikkal kötötték össze.
Dolgoznak a neurális hálók
Ezt követően újabb gráfot készítettek. A négyzethálózat minden egyes csomópontját egy, kb. 41 ezer csomópontból álló, kisebb gráfhoz kapcsolták, amelyben a csomópontok nagyobb területeket fedtek le, a közeli területeket pedig élek kötötték össze. A kisebb gráf alapján a kódoló GNN megtanulta, hogyan számolja ki minden egyes csomópont beágyazását.
Többfelbontású gráf létrehozásához a kutatók tizenkét csomópontból és húsz egyenlő oldalú háromszögből álló ikozaéderként jelenítették meg a Földet, és iteratív módszerrel minden egyes háromszöget további négy háromszögre osztottak.
A klímaváltozás hatása (Kép: Public Domain Pictures)
Kultúrtörténeti kitérőként, az ikozaéder húsz háromszög-lapból álló poliéder, amelyekből öt-öt találkozik a csúcsokon. Tizenkét csúccsal és harminc éllel rendelkezik, az öt szabályos vagy platóni testek egyikét értik rajta (az arkhimédészi testek kevésbé szabályosak). Ezek mind olyan konvex testek, amelyek oldalait egybevágó szabályos sokszögek határolják, minden lapszögük egyenlő, csúcsalakzataik is egybevágók.
3D-ben öt, 2D-ben végtelen sok szabályos sokszög létezik. A következő testekről van szó: tetraéder, hexaéder (kocka), oktaéder, dodekaéder, ikozaéder.
Ilyen formákat már a neolitikumban is készítettek, matematikai kontextusban először az ókori görögök tanulmányozták őket, az öt szabályos test kulcsszerepet játszott Platón filozófiájában. Platón négyet az őselemekkel hozott közös nevezőre: a tetraédert a tűzzel, a kockát a földdel, az oktaédert a levegővel, az ikozaédert a vízzel, míg a dodekaéderről nem írt egyértelműen. A dodekaédert később Arisztotelész az éterrel azonosította. A szabályos testekről Eukleidész is készített matematikai leírást, a 17. században pedig Kepler vizsgálta a köztük és az akkor a Földön kívül ismert (mindössze vagy pont) öt bolygó (Merkúr, Vénusz, Mars, Jupiter, Szaturnusz) között fennálló összefüggéseket.
A Google kutatói hatszor ismételték meg az ikozaéder háromszögeinek felbontását. Hat további gráfot kaptak, tizenkét és nagyjából tízezer közötti csomópontokkal. A gráfok éleit a 41 ezer csomópontos gráfra helyezték (superimposition). A többfelbontású gráfot használva, a feldolgozó GNN megtanulta frissíteni a 41 ezer csomópont-beágyazást.
Az eredeti 0,25×0,25 fokos változat visszaállításához még egy újabb gráfot készítettek, amellyel a 41 ezer csomópontot az egymillió csomópontos négyzethálózat megfelelő helyére rendelték. A dekódoló GNN ezzel a gráffal tanulta meg – minden egyes csomópont esetében – kiszámolni az időjárási feltételekben bekövetkező változásokat.
Mit hoz a jövő?
A következő időpont előrejelzéséhez a dekódoló kimenetét hozzáadták az aktuális időpont értékeihez. A folyamatot többször megismételve jutottak el hosszabbtávú prognózisokig, a rendszer mindig a megelőző előrejelzésekből számította ki a jövőt. A módszerrel, a sokszoros iterációval, a hatórás időlépésekkel minimalizálhatók a prognózisok és a tényleges mérések közötti eltérések, magyarán a hibák.
A közeljövő? (Kép: Wallpaper Flare)
A kutatók 2018-as adatokat használva, a GraphCast tíznapos előrejelzését egy, a légkörfizikát leíró differenciálegyenleteken alapuló, népszerű európai rendszerével hasonlították össze. Valós mérésekkel egybevetve, kilencven százalékkal kevesebb hibát követett el, ráadásul egyetlen TPU v4 chippel hatvan másodperc alatt generált 0,25 fokos felbontású tíznapos prognózist. Ezzel szemben, a szuperszámítógépen futó európai rendszernek 150-240 óra kellett a 0,1 fokos felbontású tíznapos előrejelzéshez.
Egy másik módszerrel, a mélytanulásos (transzformer-alapú) Pangu-Weatherrel összehasonlítva, az esetek 99,2 százalékában szintén jobbnak bizonyult.
A GraphCast egyetlen szépséghibája, hogy „normális” időjárási viszonyoknál nagyon jól, szélsőségek vagy viharok esetén viszont gyengébben teljesít.
A gráfszerkezet e típusa nagymennyiségű adatot feldolgozó más alkalmazásokban, például hatalmas felbontású fényképeknél, folyadékdinamikai és kozmológiai számításoknál szintén hasznos lehet.
