Ngày đăng: 30/07/2024 09:10

Đây là mô hình học máy (machine learning) đầu tiên có thể tạo ra các dự báo thời tiết tổng thể chính xác – những dự báo đưa ra nhiều tình huống khác nhau. Sự phát triển của mô hình này sẽ mở ra cơ hội dự báo nhanh hơn, ít tốn năng lượng hơn các công cụ hiện có, và đặc biệt là chi tiết hơn các phương pháp tiếp cận chỉ dựa trên AI.

Các hệ thống dự báo hiện tại thường dựa vào những mô hình hoàn lưu chung (GCM), là chương trình dựa trên các định luật vật lý để mô phỏng những quá trình khác nhau diễn ra trong đại dương và bầu khí quyển của Trái đất, đồng thời dự đoán chúng có thể ảnh hưởng như thế nào đến thời tiết và khí hậu toàn cầu. Vấn đề ở chỗ GCM đòi hỏi rất nhiều sức mạnh tính toán, lên tới hàng terabyte hoặc thậm chí petabyte dữ liệu, tiêu tốn rất nhiều tài nguyên và năng lượng. May thay, những tiến bộ trong học máy đang bắt đầu cung cấp một giải pháp thay thế hiệu quả hơn.

Hiện đã có một số mô hình dự báo máy học, chẳng hạn như Pangu-Weather (Huawei), và GraphCast của DeepMind. Những mô hình này có mức độ chính xác tương tự như các GCM thông thường để dự báo xác định — phương pháp tạo ra một dự báo thời tiết duy nhất. Nhưng GCM không đáng tin cậy cho việc dự báo tổng hợp hoặc dự đoán khí hậu dài hạn.

“Mô hình lai”

Đây là ý tưởng đằng sau dự án phát triển và đào tạo NeuralGCM, một mô hình kết hợp “các khía cạnh của bộ giải khí quyển dựa trên vật lý truyền thống với một số thành phần AI”. Các kỹ sư đã sử dụng mô hình này để đưa ra mô hình dự báo thời tiết từ ngắn hạn đến dài hạn, cũng như dự báo khí hậu. Để đánh giá độ chính xác của NeuralGCM, các nhà nghiên cứu đã so sánh dự đoán của mô hình này với dữ liệu trong thế giới thực, cũng như kết quả đầu ra từ các mô hình khác, bao gồm GCM và một số hình hoàn toàn dựa trên học máy.

Giống như các mô hình học máy hiện tại, NeuralGCM có thể đưa ra dự báo thời tiết ngắn hạn, chính xác – trước từ một đến ba ngày – trong khi chỉ tiêu thụ một phần nhỏ năng lượng so với GCM. Ngoài ra, nó cũng mắc ít lỗi hơn nhiều so với các mô hình học máy khác khi đưa ra dự báo dài hạn sau bảy ngày. Trên thực tế, các dự báo dài hạn của NeuralGCM tương tự như các dự đoán do mô hình tổng hợp của Trung tâm Dự báo Thời tiết Trung bình Châu Âu (ECMWF-ENS) đưa ra, vốn là một GCM được nhiều người coi là tiêu chuẩn vàng trong dự báo thời tiết.

Nhóm nghiên cứu cũng đã kiểm tra xem mô hình có thể dự báo các hiện tượng thời tiết khác nhau tốt đến mức nào, chẳng hạn như bão nhiệt đới. Họ phát hiện ra rằng nhiều mô hình học máy thuần túy tạo ra các dự báo không nhất quán và không chính xác so với cả NeuralGCM và ECMWF-ENS. Các nhà nghiên cứu thậm chí còn so sánh NeuralGCM với các mô hình khí hậu có độ phân giải cực cao được gọi là mô hình giải quyết bão toàn cầu. Kết quả là NeuralGCM có thể tạo ra số lượng và quỹ đạo bão nhiệt đới thực tế hơn trong thời gian ngắn hơn.

Mục tiêu sắp tới của nhóm là cải tiến và điều chỉnh hơn nữa hiệu suất của NeuralGCM, chủ yếu tập trung vào thành phần khí quyển để mô hình hóa hệ thống Trái đất… Đây có lẽ là thành phần ảnh hưởng trực tiếp nhất đến thời tiết hàng ngày.

Vấn đề với các phương pháp học máy thuần túy là bạn chỉ đào tạo nó dựa trên dữ liệu mà nó đã thấy. Khí hậu liên tục thay đổi, mang đến những dữ kiện chưa từng có, vì vậy các mô hình học máy cũng phải ngoại suy về tương lai chưa biết đó. Bằng cách đưa kiến thức vật lý vào mô hình, các nhà khoa học có thể đảm bảo rằng các thuật toán có thể đua ra kết quả dự đoán chính xác hơn.