ИИ-модель симулирует 1000 лет климата всего за один день

Новая ИИ-модель от Дейла Дюррана, профессора атмосферных и климатических наук Вашингтонского университета, и аспиранта Натаниэля Крессвелла-Клея симулирует до 1000 лет текущего климата, используя меньше вычислительной мощности, чем традиционные методы. Она фиксирует атмосферные условия, такие как система низкого давления над центральной частью США, изображенная выше. Автор: NASA Earth Observing System/Interdisciplinary Science (IDS) program under the Earth Science Enterprise (ESE)

Так называемые «столетние погодные явления» теперь кажутся почти обычным делом, поскольку наводнения, штормы и пожары продолжают устанавливать новые стандарты масштабности, силы и разрушительности. Но чтобы классифицировать погоду как настоящее столетнее событие, вероятность его возникновения в любой данный год должна составлять всего 1%. Проблема в том, что исследователи не всегда знают, соответствует ли погода текущему климату или противоречит вероятности.

Традиционные модели прогнозирования погоды работают на энергоемких суперкомпьютерах, которые обычно размещаются в крупных исследовательских институтах. За последние пять лет искусственный интеллект стал мощным инструментом для более дешевого и быстрого прогнозирования, но большинство моделей на базе ИИ могут точно прогнозировать лишь на 10 дней вперед. Тем не менее, долгосрочные прогнозы критически важны для климатологии и помощи людям в подготовке к предстоящим сезонам.

В новом исследовании, опубликованном в AGU Advances, исследователи из Вашингтонского университета использовали ИИ для симуляции текущего климата Земли и межгодовой изменчивости на срок до 1000 лет. Модель работает на одном процессоре и занимает всего 12 часов для генерации прогноза. На современном суперкомпьютере та же симуляция заняла бы примерно 90 дней.

«Мы разрабатываем инструмент, который изучает изменчивость нашего текущего климата, чтобы помочь ответить на этот насущный вопрос: является ли данное событие чем-то, что происходит естественным образом, или нет?» — сказал Дейл Дюрран, профессор атмосферных и климатических наук Университета Вашингтона.

Дюрран был одним из первых, кто внедрил ИИ в прогнозирование погоды более пяти лет назад, когда он и бывший аспирант Университета Вашингтона Джонатан Вейн сотрудничали с Microsoft Research. Дюрран также занимает совместную должность исследователя в калифорнийской компании Nvidia.

«Для обучения модели ИИ необходимо предоставить ей огромное количество данных, — пояснил Дюрран. — Но если разбить доступные исторические данные по сезонам, вы получите не так уж много фрагментов».

Самые точные глобальные наборы данных о ежедневной погоде относятся примерно к 1979 году. Хотя с тех пор и до настоящего времени было много дней, которые можно использовать для обучения модели ежедневного прогноза погоды, тот же период содержит меньше сезонов. Этот недостаток исторических данных воспринимался как препятствие для использования ИИ в сезонном прогнозировании.

Контринтуитивно, но последнее достижение группы Дюррана в области прогнозирования — модель Deep Learning Earth SYstem Model, или DLESyM — обучалась для однодневных прогнозов, но при этом научилась фиксировать сезонную изменчивость.

Модель объединяет две нейронные сети: одна представляет атмосферу, а другая — океан. В то время как традиционные модели земной системы часто объединяют атмосферные и океанические прогнозы, исследователям еще предстоит включить этот подход в модели, работающие исключительно на ИИ.

«Мы первыми применили эту структуру к ИИ и обнаружили, что она работает действительно хорошо, — сказал ведущий автор Натаниэль Крессвелл-Клей, аспирант по атмосферным и климатическим наукам Университета Вашингтона. — Мы представляем это как модель, которая бросает вызов многим современным предположениям, связанным с ИИ в климатологии».

Поскольку температура поверхности моря меняется медленнее, чем температура воздуха, океаническая модель обновляет свои прогнозы каждые четыре дня, а атмосферная — каждые 12 часов. Крессвелл-Клей в настоящее время работает над добавлением модели земной поверхности в DLESyM.

«Наша конструкция открывает путь для добавления других компонентов земной системы в будущем, — сказал он, — особенно компонентов, которые было трудно моделировать в прошлом, таких как взаимосвязь между почвой, растениями и атмосферой». Вместо того чтобы исследователи придумывали уравнение для представления этой сложной взаимосвязи, ИИ обучается непосредственно на данных.

Исследователи продемонстрировали производительность модели, сравнив ее прогнозы прошлых событий с прогнозами, сгенерированными четырьмя ведущими моделями шестой фазы проекта сравнения сопряженных моделей (CMIP6), все из которых работают на суперкомпьютерах. Климатические прогнозы будущего климата этих моделей были ключевыми ресурсами, использованными в последнем отчете Межправительственной группы экспертов по изменению климата (МГЭИК).

DLESyM симулировала тропические циклоны и сезонный цикл индийского летнего муссона лучше, чем модели CMIP6. В средних широтах DLESyM фиксирует месячную и межгодовую изменчивость погодных условий как минимум так же хорошо, как и модели CMIP6.

Например, модель фиксирует атмосферные «блокирующие» события так же хорошо, как и ведущие физические модели. Блокирование относится к образованию атмосферных гребней, которые удерживают регионы горячими и сухими, а другие — холодными или влажными, отклоняя входящие погодные системы.

«Многие существующие климатические модели на самом деле не очень хорошо фиксирует эту картину, — сказал Крессвелл-Клей. — Качество наших результатов подтверждает нашу модель и повышает наше доверие к ее будущим проекциям».

Ни модели CMIP6, ни DLESyM не являются на 100% точными, но тот факт, что подход на основе ИИ был конкурентоспособным при использовании значительно меньшей мощности, является значительным.

«Модель не только имеет гораздо меньший углеродный след, но и любой может загрузить ее с нашего веб-сайта и проводить сложные эксперименты, даже если у него нет доступа к суперкомпьютеру, — сказал Дюрран. — Это делает технологию доступной для многих других исследователей».

Больше информации: Nathaniel Cresswell‐Clay et al, A Deep Learning Earth System Model for Efficient Simulation of the Observed Climate, AGU Advances (2025). DOI: 10.1029/2025AV001706

Источник: University of Washington