DeepMind เปิดตัวโมเดลพยากรณ์อากาศตัวใหม่ชื่อ GenCast ซึ่งพัฒนาขึ้นจากโมเดล GraphCast ของปี 2023
GenCast เป็นโมเดลตระกูล generative ตามชื่อโมเดล ใช้อัลกอริทึมแบบ diffusion ที่เราคุ้นเคยกันในโมเดลสร้างภาพ-เสียง-วิดีโอ สามารถพยากรณ์อากาศระดับละเอียด (0.25° ของละติจูดและลองจิจูด ประมาณ 28x28 ตารางกิโลเมตร) ได้ล่วงหน้า 15 วัน (GraphCast ได้ 10 วัน) ได้แม่นยำกว่าโมเดล ENS ของศูนย์พยากรณ์อากาศยุโรป (European Centre for Medium-Range Weather Forecasts หรือ ECMWF) ซึ่งเป็นโมเดลที่ดีที่สุดในปัจจุบัน
DeepMind บอกว่าโมเดล GraphCast เป็นการพยากรณ์แบบ deterministic หาคำตอบเดียวที่เป็นไปได้ของสภาพอากาศในอนาคต แต่ GenCast กลับวิธีคิดกัน หาคำตอบที่เป็นไปได้มากกว่า 50 แบบแทน หลักคิดของ GenCast คือมองเห็นโลกเป็นพื้นที่ทรงกลม แล้วใช้เทคนิค diffusion เพื่อสร้างความเป็นไปได้รูปแบบต่างๆ
ข้อมูลที่ใช้เทรน GenCast มาจากข้อมูลสภาพอากาศ 40 ปีย้อนหลังของ ECMWF โดย DeepMind ใช้ข้อมูลถึงปี 2018 เพื่อมาทดสอบพยากรณ์กับสภาพอากาศในปี 2019 เป็นต้นมา ว่าแม่นยำแค่ไหน ผลที่ได้คือเอาชนะโมเดล ENS ได้ 97.2% ในการทดสอบทั้งหมด และถ้าคิดเฉพาะการพยากรณ์ที่ไกลกว่า 36 วัน เอาชนะได้ 99.8%
การรันโมเดล GenCast เพื่อพยากรณ์อากาศ 15 วันล่วงหน้า ใช้เวลาประมวลผลบน Google Cloud TPU v5 เพียง 8 นาที ซึ่งลดลงจาก ENS ที่ต้องใช้ซูเปอร์คอมพิวเตอร์ขนาดใหญ่หลายหมื่นซีพียู ประมวลผลเป็นเวลาหลายชั่วโมง
ตัวอย่างการพยากรณ์พายุไต้ฝุ่น Hagibis ที่เข้าญี่ปุ่นในปี 2019 ระหว่างการพยากรณ์ GenCast (เส้นสีน้ำเงิน) กับเส้นทางพายุจริง (สีแดง)
ตัวเปเปอร์วิชาการตีพิมพ์ในวารสาร Nature แล้ว และกูเกิลยังเผยแพร่ GenCast เป็นโมเดลแบบเปิด ทั้งโค้ดและน้ำหนัก สามารถดาวน์โหลดได้บน GitHub และในอนาคตจะเปิดเผยข้อมูลพยากรณ์ทั้งในอดีตและเรียลไทม์ตามมา เพื่อให้ชุมชนนักพยากรณ์อากาศได้ใช้งานโมเดลที่มีความแม่นยำสูงขึ้นเรื่อยๆ
ที่มา - DeepMind
Topics:
DeepMind
Google
Weather
Research
Artificial Intelligence
Continue reading...
GenCast เป็นโมเดลตระกูล generative ตามชื่อโมเดล ใช้อัลกอริทึมแบบ diffusion ที่เราคุ้นเคยกันในโมเดลสร้างภาพ-เสียง-วิดีโอ สามารถพยากรณ์อากาศระดับละเอียด (0.25° ของละติจูดและลองจิจูด ประมาณ 28x28 ตารางกิโลเมตร) ได้ล่วงหน้า 15 วัน (GraphCast ได้ 10 วัน) ได้แม่นยำกว่าโมเดล ENS ของศูนย์พยากรณ์อากาศยุโรป (European Centre for Medium-Range Weather Forecasts หรือ ECMWF) ซึ่งเป็นโมเดลที่ดีที่สุดในปัจจุบัน
DeepMind บอกว่าโมเดล GraphCast เป็นการพยากรณ์แบบ deterministic หาคำตอบเดียวที่เป็นไปได้ของสภาพอากาศในอนาคต แต่ GenCast กลับวิธีคิดกัน หาคำตอบที่เป็นไปได้มากกว่า 50 แบบแทน หลักคิดของ GenCast คือมองเห็นโลกเป็นพื้นที่ทรงกลม แล้วใช้เทคนิค diffusion เพื่อสร้างความเป็นไปได้รูปแบบต่างๆ
ข้อมูลที่ใช้เทรน GenCast มาจากข้อมูลสภาพอากาศ 40 ปีย้อนหลังของ ECMWF โดย DeepMind ใช้ข้อมูลถึงปี 2018 เพื่อมาทดสอบพยากรณ์กับสภาพอากาศในปี 2019 เป็นต้นมา ว่าแม่นยำแค่ไหน ผลที่ได้คือเอาชนะโมเดล ENS ได้ 97.2% ในการทดสอบทั้งหมด และถ้าคิดเฉพาะการพยากรณ์ที่ไกลกว่า 36 วัน เอาชนะได้ 99.8%
การรันโมเดล GenCast เพื่อพยากรณ์อากาศ 15 วันล่วงหน้า ใช้เวลาประมวลผลบน Google Cloud TPU v5 เพียง 8 นาที ซึ่งลดลงจาก ENS ที่ต้องใช้ซูเปอร์คอมพิวเตอร์ขนาดใหญ่หลายหมื่นซีพียู ประมวลผลเป็นเวลาหลายชั่วโมง
ตัวอย่างการพยากรณ์พายุไต้ฝุ่น Hagibis ที่เข้าญี่ปุ่นในปี 2019 ระหว่างการพยากรณ์ GenCast (เส้นสีน้ำเงิน) กับเส้นทางพายุจริง (สีแดง)
ตัวเปเปอร์วิชาการตีพิมพ์ในวารสาร Nature แล้ว และกูเกิลยังเผยแพร่ GenCast เป็นโมเดลแบบเปิด ทั้งโค้ดและน้ำหนัก สามารถดาวน์โหลดได้บน GitHub และในอนาคตจะเปิดเผยข้อมูลพยากรณ์ทั้งในอดีตและเรียลไทม์ตามมา เพื่อให้ชุมชนนักพยากรณ์อากาศได้ใช้งานโมเดลที่มีความแม่นยำสูงขึ้นเรื่อยๆ
ที่มา - DeepMind
Topics:
DeepMind
Weather
Research
Artificial Intelligence
Continue reading...