Az Nvidia aligha időzíthette volna jobban új, Earth-2 nevű időjárás-előrejelző modelljeinek bemutatását.
Több mindent mér, mint a konkurensek
Az új MI-alapú modellek azt ígérik, hogy gyorsabbá és pontosabbá teszik az időjárás-előrejelzést.
Az Nvidia állítása szerint különösen az Earth-2 Medium Range modell teljesít kiemelkedően.
Több mint hetven változó felhasználásával felülmúlja a Google DeepMind MI-alapú időjárási modelljét, a GenCastet.
Ezt még 2024 decemberében mutatta be a Google, és már az is jelentősen pontosabb volt a korábbi, akár 15 napos előrejelzésekre képes időjárási modelleknél.
Az egyszerűségében rejlik a szépsége
Az Nvidia hétfőn, az American Meteorological Society houstoni konferenciáján jelentette be az új eszközöket.
“Filozófiai és tudományos értelemben ez egy visszatérés az egyszerűséghez” – mondta Mike Pritchard, az Nvidia klímaszimulációs igazgatója.
A fejlesztésről Pritchard azt mondta, eltávolodtak az egyedileg, manuálisan finomhangolt, szűk felhasználású MI-architektúráktól. Az Earth-2-vel pedig az egyszerűen skálázható, transzformer-alapú architektúrák felé vették az irányt.
Új szereplők a meteorológiai piacon
Hagyományosan a legtöbb időjárás-előrejelzés a valós világban megfigyelhető fizikai folyamatok szimulációján alapul – írja a TechCrunch.
Az MI-modellek viszonylag új szereplők ezen a területen. Az Earth-2 Medium Range modell az Nvidia egy új, Atlasnevű architektúrájára épül, amelyről a cég hétfőn ígért további részleteket.
A Medium Range mellett az Nvidia Earth-2 csomagja tartalmaz egy Nowcasting modellt és egy Global Data Assimilation modellt is.
A Nowcasting a nagyon rövid távú, nulla és hat óra közötti előrejelzésekre összpontosít, és célja, hogy segítse a meteorológusokat a viharok és más veszélyes időjárási jelenségek hatásainak becslésében.
Bárhol bevethető a Földön
A modellt közvetlenül a világszerte elérhető geostacionárius műholdas megfigyelések alapján tanították, nem pedig régióspecifikus fizikai modellek kimeneteire építve.
Éppen ezért Pritchard szerint a Nowcasting bárhol alkalmazható a Földön, ahol megfelelő műholdas lefedettség áll rendelkezésre. A klímaszimulációs szakértő szerint ez segíthet az államok és kisebb országok kormányainak megérteni, hogyan hathatnak területükre a súlyos időjárási rendszerek.
A Global Data Assimilation modell olyan forrásokból származó adatokat használ, mint az időjárási állomások és ballonok. A modell lényegében folyamatos “pillanatfelvételeket” készít az időjárási viszonyokról a világ több ezer pontján.
Ezek a felvételek szolgálnak kiindulópontként az időjárási modellek számára az előrejelzések elkészítéséhez.
Hagyományosan ezeknek a pillanatfelvételeknek az elkészítése rendkívüli számítási kapacitást igényelt, még az előrejelzések megkezdése előtt.
Elképesztő terhelés-csökkentés
“Ez nagyjából a hagyományos időjárás-előrejelzés teljes szuperszámítógépes terhelésének 50 százalékát emészti fel” – mondta Pritchard. Az Nvidia modellje viszont percek alatt elvégzi ugyanezt GPU-kon – nem pedig hosszú órákon át a szuperszámítógépeken.
A három új modell két már meglévőhöz csatlakozik: a CorrDiffhez, amely durvább felbontású előrejelzésekből gyors, nagy felbontású predikciókat generál. Valamint a FourCastNet3-hoz, amely az egyes időjárási változókat – például a hőmérsékletet, a szelet és a páratartalmat – modellezi.
Pritchard szerint az új modellek szélesebb kör számára teszik elérhetővé az erőteljes időjárás-előrejelző eszközöket, amelyekhez korábban főként gazdagabb országok és nagyvállalatok fértek hozzá, mivel ők tudták megfizetni a drága szuperszámítógépes kapacitást.
Ez biztosíthatja azokat az alapvető építőelemeket, amelyeket az egész ökoszisztéma használ – így a nemzeti meteorológiai szolgálatok, pénzügyi szolgáltató cégek, energetikai vállalatok, vagy bárki, aki időjárás-előrejelző modelleket szeretne építeni és finomítani.
Néhány eszköz már használatban is van: Izraelben és Tajvanon például meteorológusok alkalmazzák az Earth-2 CorrDiff modellt, míg a The Weather Company és a Total Energies jelenleg a Nowcastinget értékeli – közölte az Nvidia.
(Kép: Venrick Azcueta/Unsplash)
