GraphCast - Mô hình AI của DeepMind cho dự báo thời tiết

 (deepmind.google)
10 điểm bởi GN⁺ 2023-11-15 | 2 bình luận | Chia sẻ qua WhatsApp

GraphCast: Dự báo thời tiết toàn cầu nhanh và chính xác bằng mô hình AI

  • GraphCast là mô hình AI mới nhất được công bố trên một tạp chí khoa học, cung cấp dự báo thời tiết 10 ngày với độ chính xác cao trong vòng chưa đầy 1 phút.
  • Thực hiện dự báo thời tiết trung hạn nhanh hơn và chính xác hơn so với hệ thống HRES, vốn được xem là tiêu chuẩn vàng hiện nay.
  • GraphCast dự đoán đường đi của xoáy thuận, các dòng sông khí quyển liên quan đến nguy cơ lũ lụt và các đợt nhiệt độ cực đoan, từ đó cung cấp cảnh báo sớm về các hiện tượng thời tiết cực đoan.

Thách thức của dự báo thời tiết toàn cầu

  • Dự báo thời tiết trung hạn là yếu tố thiết yếu để hỗ trợ các quyết định quan trọng trong nhiều lĩnh vực, từ năng lượng tái tạo đến logistics sự kiện, nhưng rất khó thực hiện một cách chính xác và hiệu quả.
  • Dự báo thời tiết số trị (NWP) truyền thống chuyển các phương trình vật lý thành thuật toán máy tính và chạy chúng trên siêu máy tính.
  • GraphCast học từ dữ liệu thời tiết lịch sử trong nhiều thập kỷ để mô hình hóa quan hệ nhân quả trong cách thời tiết Trái Đất biến đổi theo thời gian.

GraphCast: Mô hình AI cho dự báo thời tiết

  • GraphCast là hệ thống dự báo thời tiết dựa trên machine learning và mạng nơ-ron đồ thị (GNN).
  • Thực hiện dự báo ở độ phân giải cao (0,25 độ kinh độ/vĩ độ) trên hơn một triệu điểm lưới bao phủ bề mặt Trái Đất.
  • GraphCast tạo ra dự báo 10 ngày trong chưa đầy 1 phút trên một máy Google TPU v4 duy nhất, hiệu quả hơn rất nhiều so với các phương pháp hiện có.

Cảnh báo tốt hơn về các hiện tượng thời tiết cực đoan

  • GraphCast có thể nhận diện các hiện tượng thời tiết nghiêm trọng sớm hơn các mô hình hiện có, giúp cứu sống con người thông qua chuẩn bị sớm và giảm tác động đến cộng đồng.
  • GraphCast áp dụng bộ theo dõi xoáy thuận để dự đoán chuyển động của xoáy thuận chính xác hơn mô hình HRES.
  • Khả năng dự đoán các dòng sông khí quyển và nhiệt độ cực đoan có thể kết hợp với mô hình AI dự báo lũ để hỗ trợ lập kế hoạch ứng phó khẩn cấp.

Tương lai của khí tượng với AI

  • GraphCast hiện là hệ thống dự báo thời tiết toàn cầu 10 ngày chính xác nhất thế giới và sẽ tiếp tục phát triển, cải thiện theo bối cảnh biến đổi khí hậu.
  • Mã nguồn của mô hình được cung cấp dưới dạng open source để giúp việc tiếp cận dự báo thời tiết dựa trên AI trở nên dễ dàng hơn.
  • Cùng với các hệ thống dự báo thời tiết tiên tiến khác của Google DeepMind và Google Research, việc sử dụng AI trong dự báo thời tiết sẽ mang lại lợi ích cho hàng tỷ người trong cuộc sống hằng ngày.

Ý kiến của GN⁺

Điểm quan trọng nhất trong bài viết này là mô hình AI GraphCast cung cấp dự báo thời tiết trung hạn nhanh hơn và chính xác hơn rất nhiều so với các hệ thống dự báo hiện có. Trong bối cảnh thời tiết cực đoan xảy ra thường xuyên hơn do biến đổi khí hậu, điều này sẽ hỗ trợ rất lớn cho việc bảo vệ an toàn tính mạng và tài sản của con người, đồng thời giúp các ngành công nghiệp và xã hội đưa ra những quyết định quan trọng. Việc công bố mã nguồn mở của GraphCast mở ra cơ hội để các nhà khoa học và nhà dự báo trên toàn thế giới tận dụng công nghệ này nhằm mang lại lợi ích cho hàng tỷ người trong đời sống hằng ngày. Nhờ khả năng dự báo nhanh và độ chính xác cao, công nghệ này hứa hẹn sẽ tạo ra đổi mới trong lĩnh vực dự báo thời tiết và là một tin tức đáng chú ý với tất cả những ai quan tâm đến khí tượng.

Bài viết liên quan

2 bình luận

 
kuroneko 2023-11-15

Tôi đã định tóm tắt, nhưng GN+ ngày càng hoàn thiện hơn. Ý kiến trên HN bên dưới cũng vậy, phần tổng hợp được làm rất gọn gàng.
Giờ có khi còn tốt hơn cả việc tự mình tóm tắt. +_+
 
GN⁺ 2023-11-15
Ý kiến trên Hacker News

  • Phát triển API thời tiết mã nguồn mở

    Dành cho những ai cần dữ liệu thời tiết lịch sử để huấn luyện và suy luận ML, đã phát triển một API thời tiết mã nguồn mở lưu trữ dữ liệu thời tiết liên tục. Nếu kết hợp dữ liệu quá khứ và dữ liệu dự báo từ nhiều mô hình thời tiết số bằng ML, có thể đạt năng lực dự báo tốt hơn từng mô hình riêng lẻ. Vì mỗi mô hình đều bị giới hạn bởi các ràng buộc vật lý, nên có thể kỳ vọng mô hình ML tạo thành sẽ ổn định.

  • Giới thiệu mô hình GraphCast

    GraphCast chỉ dùng hai tập dữ liệu làm đầu vào: trạng thái thời tiết 6 giờ trước và trạng thái thời tiết hiện tại. Sau đó mô hình dự báo thời tiết 6 giờ sau, rồi lặp lại quy trình này theo từng bước 6 giờ để cung cấp dự báo tiên tiến tối đa 10 ngày.

  • Sự nhầm lẫn liên quan đến Google

    Tôi vẫn thấy khó phân biệt giữa Google, Google Research và DeepMind. Google Research đã công bố về dự báo 24 giờ cách đây 2 tuần, và điều đó cũng được nhắc đến trong thông báo GraphCast hôm nay.

  • Tầm quan trọng của dự báo thời tiết địa phương

    Ở một số quốc gia, dự báo mưa/mưa rào ngắn hạn theo khu vực là điều thiết yếu. Thật thú vị khi thấy dự báo radar lại rất thiếu chính xác. Các ứng dụng hiển thị dữ liệu radar, dữ liệu lịch sử và đưa ra dự báo, nhưng dự báo thì vô lý. Rõ ràng có lý do để "AI" cải thiện phần này. Dự báo mưa theo địa phương là một bài toán khác với dự báo toàn cầu.

  • Tiến bộ dự báo thời tiết của các công ty công nghệ

    Tiến bộ trong lĩnh vực dự báo thời tiết thật đáng kinh ngạc, và thật thú vị khi thấy các công ty công nghệ lớn bước vào lĩnh vực này. Apple đã chuyển từ The Weather Channel sang dự báo riêng của mình từ một năm trước. Việc dùng AI để tạo ra dự báo thời tiết tốt hơn là điều rất phù hợp với Google, và tôi mong nó sẽ được tích hợp vào ứng dụng thời tiết.

  • Hiệu năng ấn tượng của mô hình dùng một GPU duy nhất

    Một mô hình dùng chỉ một GPU nhưng vượt qua các mô hình chạy trên những siêu máy tính lớn nhất thế giới. Không chỉ trọng số mô hình mà toàn bộ đều là mã nguồn mở. Dữ liệu huấn luyện/đầu vào cũng tương đối đơn giản. Phiên bản hiện tại là kích thước lớn nhất khả thi trong các ràng buộc kỹ thuật hiện nay, nhưng trong tương lai nó có tiềm năng mở rộng hơn nhiều với tài nguyên tính toán lớn hơn và dữ liệu độ phân giải cao hơn.

  • Nghi vấn về so sánh độ chính xác

    Tôi không tìm thấy trích dẫn nào về việc so sánh độ chính xác. Xét đến lượng dữ liệu và độ phức tạp của miền bài toán, cần có phân tích chi tiết hơn về hiệu năng so với các mô hình khác. Với tư cách là nhân viên đầu tiên tại Solcast, tôi đã xây dựng hệ thống 'nowcast' hơn 4 năm, tập trung vào bức xạ mặt trời và độ đục mây, rồi mở rộng sang mọi khía cạnh của thời tiết bằng cách sử dụng thế hệ vệ tinh mới và tận dụng các mô hình NWP. Solcast có dùng ML như một phần của hệ thống, nhưng để tạo ra dự báo chính xác và đáng tin cậy trên thực tế còn cần nhiều thứ hơn rất nhiều. Ví dụ, việc chuyển thẳng từ một thứ như ECMWF sang hộp đen này, ít nhất, là khá ngạo mạn. Trước khi rời Solcast, tôi từng nói rằng đối thủ lớn nhất của họ có lẽ không phải các công ty thời tiết truyền thống khác mà là những tập đoàn công nghệ lớn như Amazon/Google/Microsoft. Amazon đã mua lại các công ty liên quan đến IoT tiêu thụ điện trong vài năm qua, và có vẻ AI sẽ tiến sâu vào lĩnh vực đó.

  • Tốc độ chạy nhanh của các mô hình ML

    Tôi đang theo dõi các mô hình thời tiết ML ở quy mô toàn cầu. Chỉ riêng việc chúng có thể đưa ra dự báo đã là cực kỳ ấn tượng. Trong khi các mô hình dự báo thời tiết số trên siêu máy tính khổng lồ mất hàng giờ để dự báo toàn cầu, các mô hình ML này chạy trong vài phút hoặc thậm chí vài giây. Điều này có tiềm năng rất lớn cho dự báo vận hành.

  • Dịch vụ lượng mưa theo ngày cụ thể

    Tôi đã xây dựng một dịch vụ cho biết ngày có lượng mưa thấp nhất trong 10 năm qua. Nó rất lý tưởng để tìm ngày cưới hoàn hảo cho bất kỳ địa điểm và tháng nào.

  • Sự bất định của dự báo thời tiết

    Ngoài khó khăn trong tính toán hay việc đo chính xác trạng thái hiện tại, có lý do nào để tin rằng thời tiết vốn là thứ không thể dự đoán không? Nếu có đủ tài nguyên để đo lường và tính toán, về mặt lý thuyết liệu có thể dự báo thời tiết hằng ngày của 10 năm sau không? Hay ở đó tồn tại một dạng "ngẫu nhiên" mang tính bản chất?