Європейський центр прогнозування середнього середовища (ECMWF) щойно запустив модель прогнозування, що працює від AI, за якою Центр каже, що він перевищує моделі, засновані на природному заснованому на станах -f -Art моделях на 20%.
Модель називається системою штучного інтелекту (AIF). Згідно з версією ECMWF, нова модель працює з більш швидкими швидкостями, ніж моделі на основі фізики, і триває приблизно в 1000 разів менше енергії для прогнозування.
ECMWF, який зараз на 50 -му році роботи, створив ENS, одну з провідних у світі моделей прогнозування погоди. Прогнозування середнього віку включає прогнози погодних умов між трьома та 15 днів заздалегідь, але ECMWF також прогнозує погодні умови на один рік вперед. Моделі прогнозів погоди є важливими для держав та місцевих органів влади, щоб залишатися готовими до екстремальних погодних умов – а також для більшої кількості щоденних потреб, як знання, якою буде погода у вашій майбутній відпустці.
Традиційні моделі прогнозування погоди роблять прогнози, вирішуючи рівняння фізики. Одним з обмежень цих моделей є те, що вони є підходами до атмосферної динаміки. Захоплююче аспект моделей, керованих AI, полягає в тому, що вони могли вивчити більш складні відносини та динамічні стандарти погоди безпосередньо з даних, замість того, щоб покладатися лише на відомі та задокументовані рівняння.
Оголошення ECMWF надходить у підборах моделі Gencast Google Deepmind для прогнозування погоди за допомогою AI, наступного повторення погодного програмного забезпечення Google, включеного в NeuralGCM та Graphcast. Gencast перевершив ENS, тонку модель прогнозу погоди ECMWF, у 97,2% цілей у різні змінні погоди. З часом доставки довше 36 годин, Gencast був більш точним, ніж ENS у 99,8% цілей.
Але Європейський центр також інновації. Запуск AIFS-Single-це лише перша оперативна версія системи.
“Це величезне зусилля, яке гарантує, що моделі працюють стабільно та надійно”, – сказав Флоріан Паппенбергер, директор прогнозування ECMWF в центрі центру. “В даний час аналіз AIF менший, ніж наша модель (IFS), яка досягає 9 км. [5.6-mile] Роздільна здатність за допомогою підходу на основі фізики. ”
“Ми бачимо AIF та IFS як додаткові та частину надання ряду продуктів для нашої спільноти користувачів, які вирішують, що найбільше відповідає їхнім потребам”, – додав Паппенбергер.
Команда вивчить гібридизацію даних на основі даних та фізичного моделювання для покращення здатності організму точно прогнозувати погоду.
“Моделі на основі фізики є ключовим фактором для поточного процесу зниження даних”,-сказав Меттью Чантрі, стратегічний лідер в навчанні інженерів ECMWF та керівник інноваційної платформи, в електронному листі в Gizmodo. “Цього ж даних про засвоєння процесів також є життєво важливим для підготовки моделей механічного навчання щодня і дозволяє їм робити прогнози”.
“Однією з наступних кордонів для прогнозування погодних умов є цей крок ступінчастої програми, який, якщо вирішити, означатиме, що повна ланцюг прогнозів погоди може базуватися на механічному навчанні”,-додав Чантрі.
Chantry-співавтор дослідження, яке чекає оцінки системи прогнозування однорангового до кінця до кінця, яка не ґрунтується на співвідношенні на основі фізики.
Під назвою GraphDop система використовує спостережувані величини, такі як температура полярної орбітальної яскравості, щоб утворити згуртоване приховане зображення динаміки системи Землі та природних процесів, “Група пише,” і здатна створювати майстерні прогнози для відповідних параметрів. Погодні умови до п’яти днів у майбутньому.
Інтеграція методів штучного інтелекту з моделюванням прогнозу погоди на основі фізики є перспективним простором для більш точного прогнозування. На сьогоднішній день тест вказує на те, що постачання AI може перевищувати історичні моделі, але поки що ці моделі базуються на даних огляду. Спостереження на місці були необхідними для підготовки моделей, і залишається побачити, наскільки вражаючі будуть прогнози технології, коли воно буде змушене втекти.
Європейський центр прогнозування середнього середовища (ECMWF) щойно запустив модель прогнозування, що працює від AI, за якою Центр каже, що він перевищує моделі, засновані на природному заснованому на станах -f -Art моделях на 20%.
Модель називається системою штучного інтелекту (AIF). Згідно з версією ECMWF, нова модель працює з більш швидкими швидкостями, ніж моделі на основі фізики, і триває приблизно в 1000 разів менше енергії для прогнозування.
ECMWF, який зараз на 50 -му році роботи, створив ENS, одну з провідних у світі моделей прогнозування погоди. Прогнозування середнього віку включає прогнози погодних умов між трьома та 15 днів заздалегідь, але ECMWF також прогнозує погодні умови на один рік вперед. Моделі прогнозів погоди є важливими для держав та місцевих органів влади, щоб залишатися готовими до екстремальних погодних умов – а також для більшої кількості щоденних потреб, як знання, якою буде погода у вашій майбутній відпустці.
Традиційні моделі прогнозування погоди роблять прогнози, вирішуючи рівняння фізики. Одним з обмежень цих моделей є те, що вони є підходами до атмосферної динаміки. Захоплююче аспект моделей, керованих AI, полягає в тому, що вони могли вивчити більш складні відносини та динамічні стандарти погоди безпосередньо з даних, замість того, щоб покладатися лише на відомі та задокументовані рівняння.
Оголошення ECMWF надходить у підборах моделі Gencast Google Deepmind для прогнозування погоди за допомогою AI, наступного повторення погодного програмного забезпечення Google, включеного в NeuralGCM та Graphcast. Gencast перевершив ENS, тонку модель прогнозу погоди ECMWF, у 97,2% цілей у різні змінні погоди. З часом доставки довше 36 годин, Gencast був більш точним, ніж ENS у 99,8% цілей.
Але Європейський центр також інновації. Запуск AIFS-Single-це лише перша оперативна версія системи.
“Це величезне зусилля, яке гарантує, що моделі працюють стабільно та надійно”, – сказав Флоріан Паппенбергер, директор прогнозування ECMWF в центрі центру. “В даний час аналіз AIF менший, ніж наша модель (IFS), яка досягає 9 км. [5.6-mile] Роздільна здатність за допомогою підходу на основі фізики. ”
“Ми бачимо AIF та IFS як додаткові та частину надання ряду продуктів для нашої спільноти користувачів, які вирішують, що найбільше відповідає їхнім потребам”, – додав Паппенбергер.
Команда вивчить гібридизацію даних на основі даних та фізичного моделювання для покращення здатності організму точно прогнозувати погоду.
“Моделі на основі фізики є ключовим фактором для поточного процесу зниження даних”,-сказав Меттью Чантрі, стратегічний лідер в навчанні інженерів ECMWF та керівник інноваційної платформи, в електронному листі в Gizmodo. “Цього ж даних про засвоєння процесів також є життєво важливим для підготовки моделей механічного навчання щодня і дозволяє їм робити прогнози”.
“Однією з наступних кордонів для прогнозування погодних умов є цей крок ступінчастої програми, який, якщо вирішити, означатиме, що повна ланцюг прогнозів погоди може базуватися на механічному навчанні”,-додав Чантрі.
Chantry-співавтор дослідження, яке чекає оцінки системи прогнозування однорангового до кінця до кінця, яка не ґрунтується на співвідношенні на основі фізики.
Під назвою GraphDop система використовує спостережувані величини, такі як температура полярної орбітальної яскравості, щоб утворити згуртоване приховане зображення динаміки системи Землі та природних процесів, “Група пише,” і здатна створювати майстерні прогнози для відповідних параметрів. Погодні умови до п’яти днів у майбутньому.
Інтеграція методів штучного інтелекту з моделюванням прогнозу погоди на основі фізики є перспективним простором для більш точного прогнозування. На сьогоднішній день тест вказує на те, що постачання AI може перевищувати історичні моделі, але поки що ці моделі базуються на даних огляду. Спостереження на місці були необхідними для підготовки моделей, і залишається побачити, наскільки вражаючі будуть прогнози технології, коли воно буде змушене втекти.
