A trópusi ciklonok pályájának és intenzitásának modellezésében a mély neurális hálók felülmúlják a klasszikus numerikus fizikai szimulációkat: a Google DeepMind és a Google Research mérnökei által kifejlesztett WeatherNext architektúra 72 órás (háromnapos) távlatban ugyanazzal a térbeli és sebességbeli hibahatárral képes előrejelezni a ciklonok viselkedését, mint amire a hagyományos szuperszámítógépes fizikai modellek csupán 48 órára képesek – derül ki a hivatalos kutatási beszámolóból és a Nature folyóiratban megjelent tanulmányból.
Egy teljes nappal hosszabb felkészülési idő a partot érés előtt
A trópusi viharrendszerek partot érésének (landfall) pontos meghatározása a polgári védelem és a katasztrófavédelmi evakuáció szempontjából kritikus tényező. A meteorológiai szolgálatok – köztük az Európai Középtávú Időjárás-előrejelző Központ (ECMWF) és az amerikai Nemzeti Óceán- és Légkörkutatási Hivatal (NOAA) – évtizedek óta a légköri áramlások Navier-Stokes-féle parciális differenciálegyenleteit numerikusan integráló szuperszámítógépes fizikai modellekre (HRES, IFS, GFS) támaszkodnak. Ezek a rendszerek jelentős számítási kapacitást kötnek le, és a kaotikus légköri turbulenciák miatt a ciklonok magjának intenzitásváltozását 48 órán túl növekvő hibaszázalékkal követik.
A WeatherNext Cyclones modell a korábbi determinisztikus GraphCast hálózatra épül, de a legfrissebb fejlesztési ciklusban a neurális gráfhálózat közvetlenül tanulja meg az örvényességi mezők és a tengerfelszíni hőmérséklet közötti nemlineáris összefüggéseket. A validációs adatok alapján a modell 72 órás előrejelzési hibája a ciklonok középponti nyomása és a maximális tartós szélsebesség tekintetében megegyezik a hagyományos modellek 48 órás hibahatárával, ami 24 órával bővíti a védelmi intézkedések előkészítési ablakát.
5 kilométeres rács és óránkénti geostacionárius adatfolyam
A WeatherNext 3 verzió műszaki specifikációja két ponton tér el a korábbi AI-alapú kísérleti rendszerektől:
- Adatasszimilációs frekvencia: A hagyományos numerikus modellek jellemzően hatóránként futtatnak le egy-egy átfogó globális adatasszimilációs ciklust. A WeatherNext 3 óránkénti ütemezéssel dolgozza fel a geostacionárius műholdak (NOAA GOES, EUMETSAT Meteosat, JMA Himawari) nyers infravörös és látható fény tartományú radiometriai méréseit, csökkentve az indítási késleltetést.
- Térbeli felbontás finomítása: Míg a korábbi GraphCast 25–28 kilométeres rácshálón operált, az új architektúra a felszíni állapotváltozókat (hőmérséklet, harmatpont) 5 kilométeres, míg a troposzférikus szinteket 10 kilométeres térbeli diszkretizációval számítja. Ez lehetővé teszi a ciklonok magját övező belső szemfal konvekciós struktúrájának felbontását.
A tanulási fázis gerincét az ECMWF ERA5 reanalízis adatbázisának több évtizedes atmoszférikus mérései képezték, amelyeket a globális meteorológiai mérőhálózat valós idejű telemetriájával kombináltak a kutatók.
Inferencia másodpercek alatt TPU hardvereken
A módszertan alapvető működési előnye a következtetési fázis erőforrásigényében mutatkozik meg. Amíg egy globális numerikus fizikai szimuláció órákig fut többezer processzormagos szuperszámítógépes klasztereken, addig a betanított WeatherNext neurális hálózat egyetlen előrejelzési lépése TPU v5e célspecifikus hardvereken kevesebb mint egy perc alatt lezajlik. Ez a sebességkülönbség lehetővé teszi nagyméretű, több száz tagból álló sztochasztikus anszambl-előrejelzések azonnali futtatását a pályabizonytalanságok valószínűségi becslésére.
A Google megerősítette, hogy az éles meteorológiai rendszerekben a korábbi GraphCast és WeatherNext 2 modelleket leállították, az új WeatherNext 3 infrastruktúra pedig közvetlenül beépült a keresőmotorba, a térképes szolgáltatásokba és a nyilvános API-felületekbe. A predikciós fölény a sokrétegű reprezentációk által feltárt globális áramlási korrelációk statisztikai leképezéséből adódik.
