По словам авторов, это ограничение особенно важно, поскольку исследователи внедряют нейронные сети в оперативное прогнозирование погоды, системы раннего предупреждения и долгосрочные оценки рисков. Но они также сказали, что есть способы решить проблему, интегрировав больше математики и физики в инструменты искусственного интеллекта.

"Модели погоды с искусственным интеллектом - одно из самых больших достижений искусственного интеллекта в науке. Что мы обнаружили, так это то, что они замечательны, но не волшебны", - сказал Педрам Хассанзаде, доцент кафедры геофизических наук в UChicago и автор-корреспондент исследования. "У нас есть эти модели всего несколько лет, так что есть много возможностей для инноваций".

События "Серого лебедя"

ИИ для прогнозирования погоды работают аналогично другим нейронным сетям, с которыми сейчас взаимодействуют многие люди, таким как ChatGPT.

По сути, модель "обучают", вводя в нее набор текста или изображений и прося ее искать шаблоны. Затем, когда пользователь задает модели вопрос, она оглядывается на то, что видела ранее, и использует это для прогнозирования ответа.

В случае с прогнозами погоды ученые обучают нейронные сети, передавая им данные о погоде за десятилетия. Затем пользователь может ввести данные о текущих погодных условиях и попросить модель спрогнозировать погоду на ближайшие несколько дней.

Модели искусственного интеллекта очень хороши в этом. По словам Хассанзаде, в целом они могут достичь той же точности, что и первоклассная модель погоды на базе суперкомпьютера, которая использует в 10 000-100 000 раз больше времени и энергии.

"Эти модели действительно, очень хорошо подходят для повседневной погоды", - сказал он. "Но что, если на следующей неделе произойдет необычное погодное явление?"

Проблема заключается в том, что нейронная сеть обрабатывает только те данные о погоде, которыми мы располагаем в настоящее время, и которые датируются примерно 40 годами. Но это далеко не полный спектр возможных погодных условий.

"Например, наводнения, вызванные ураганом Харви в 2017 году, считались событием, которое случается раз в 2000 лет", - сказал Хассанзаде. "Это может случиться".

Ученые иногда называют эти события событиями "серого лебедя". Они не совсем соответствуют событию "черного лебедя" - чему-то вроде астероида, убившего динозавров, - но они локально разрушительны.

Команда решила протестировать возможности моделей искусственного интеллекта на примере ураганов. Они обучили нейронную сеть, используя данные о погоде за десятилетия, но удалили все ураганы, более сильные, чем категория 2. Затем они создали атмосферные условия, которые через несколько дней приведут к урагану 5-й категории. Может ли модель экстраполироваться, чтобы предсказать силу урагана?

Ответом было "нет".

"Это всегда недооценивало событие. Модель знает, что что-то надвигается, но она всегда предсказывает, что это будет ураган только 2-й категории", - сказал Юнцян Сун, научный сотрудник UChicago и другой автор-корреспондент исследования.

Такого рода ошибки, известные как ложноотрицательные, имеют большое значение при прогнозировании погоды. Если прогноз говорит вам, что шторм будет ураганом 5-й категории, а оказывается, что он относится только ко 2-й категории, это означает, что эвакуированы люди, которые, возможно, в этом не нуждались, что не идеально. Но если в прогнозе занижена оценка урагана, который окажется 5-й категории, последствия будут гораздо хуже.

Предупреждения об ураганах и почему физика имеет значение

Большая разница между нейронными сетями и традиционными моделями погоды заключается в том, что традиционные модели "понимают" физику. Ученые разрабатывают их с учетом нашего понимания математики и физики, которые управляют атмосферной динамикой, струйными течениями и другими явлениями.

Нейронные сети ничего этого не делают. Подобно ChatGPT, который, по сути, является текстовой машиной с прогнозированием, они просто смотрят на погодные условия и предполагают, что будет дальше, основываясь на том, что происходило в прошлом.

Ни один крупный сервис в настоящее время не использует для прогнозирования только модели искусственного интеллекта. Но по мере расширения их использования необходимо будет учитывать эту тенденцию, сказал Хассанзаде.

Исследователи, от метеорологов до экономистов, начинают использовать искусственный интеллект для долгосрочной оценки рисков. Например, они могут попросить искусственный интеллект сгенерировать множество примеров погодных условий, чтобы мы могли увидеть наиболее экстремальные события, которые могут произойти в каждом регионе в будущем. Но если ИИ не сможет предсказать ничего более сильного, чем то, что он видел раньше, его полезность для этой критической задачи будет ограничена. Однако они обнаружили, что модель могла бы предсказывать более сильные ураганы, если бы в ее обучающих данных был какой-либо прецедент, даже в других частях мира. Например, если бы исследователи удалили все свидетельства атлантических ураганов, но оставили данные о тихоокеанских ураганах, модель могла бы экстраполироваться для прогнозирования атлантических ураганов.

"Это было удивительное и обнадеживающее открытие: это означает, что модели могут прогнозировать событие, которое не было представлено в одном регионе, но время от времени происходило в другом регионе", - сказал Хассанзаде.

Объединяющие подходы

Решение, предложенное исследователями, состоит в том, чтобы начать внедрять математические инструменты и принципы физики атмосферы в модели, основанные на искусственном интеллекте.

"Есть надежда, что если модели искусственного интеллекта действительно смогут изучать динамику атмосферы, они смогут выяснить, как прогнозировать появление серых лебедей", - сказал Хассанзаде.

Как это сделать - актуальная область исследований. Один из многообещающих подходов, который использует команда, называется активным обучением - когда ИИ помогает управлять традиционными моделями погоды, основанными на физике, для создания большего количества примеров экстремальных явлений, которые затем могут быть использованы для улучшения обучения ИИ.

"Более длинные смоделированные или наблюдаемые наборы данных не сработают. Нам нужно подумать о более разумных способах генерации данных", - сказал Джонатан Вир, профессор Института математических наук Куранта при Нью-Йоркском университете и соавтор исследования. "В данном случае это означает ответ на вопрос: "где я должен разместить свои тренировочные данные, чтобы добиться лучшей производительности в экстремальных условиях?" К счастью, мы думаем, что сами погодные модели искусственного интеллекта в сочетании с правильными математическими инструментами могут помочь ответить на этот вопрос".

Профессор Чикагского университета. Дориан Эббот и специалист по вычислительной технике Мохсен Занд также были соавторами исследования, а также Ашеш Чаттопадхьяй из Калифорнийского университета в Санта-Крусе.

В исследовании использовались ресурсы Исследовательского вычислительного центра Чикагского университета.