Tehisarule toetuvad ilmamudelid ennustavad igapäevast ilma üha täpsemalt ning säästavad seejuures tohutult aega ja energiat. Uue uuringu kohaselt kipuvad andmepõhised süsteemid aga minevikku kinni jääma ega suuda rekordiliselt kõrgeid temperatuure kuigi hästi ette näha.
Viimase aastatega on meteoroloogias toimunud suur pööre. Kui klassikalised ilmaennustusmudelid analüüsivad superarvutites tundide kaupa Navier-Stokesi võrrandeid, siis tehisaru läheneb ülesandele toore mustrituvastusega. Uued mudelid täidavad samu ülesandeid paari minutiga ja vajavad vaid murdosa varem kulutatud energiast. Näiteks ennustas Google DeepMindi loodud GraphCast kümne päeva globaalsey ilma ligikaudu ühe minutiga ja edestas testides Euroopa Keskpika Ilmaennustuse Keskuse lipulaeva HRES 90 protsendis aluseks võetud mõõdikutes.
Sama rea peale on hüpanud traditsioonilised ilmaennustuskeskused ja ülikoolid. Näiteks võtab Cambridge’i ülikooli teadlaste mudel Aardvark Weather andmed otse satelliitidelt. Euroopa Keskpika Ilmaennustuse Keskus töötas seevastu välja omaenda tehisarul põhineva mudeli AIFS, mis vajab traditsioonilisest mudelist tuhat korda vähem energiat.
Kuigi masinõppel põhinevad mudelid suudavad argisema ilma puhul tavamudeleid edestada, tuleb kiiruse ja tõhususe hinnana loobuda atmosfääri käitumist kirjeldavatest füüsikaseadustest. Traditsioonilised numbrilised mudelid simuleerivad atmosfääri dünaamikat ruumilises võrgustikus. Uued programmid õpivad seevastu eranditult viimaste aastakümnete ajalooliste ilmaandmete mustritest. Tehisaru eirab seega termodünaamikat ja tugineb algoritmilisele teadmisele, et ühele atmosfääri seisundile järgneb minevikukogemuse põhjal kindel teine seisund.
Saksamaa Karlsruhe Tehnoloogiainstituudi teadlased Zhongwei Zhang ja Sebastian Engelke nendivad nüüd, et minevikus panid vaatlejad kirja tänapäevases mõistes suhteliselt mõõdukaid ekstreemsusi. See omakorda mõjutab praegu tehtavate ennustuste täpsust.
Uurijad analüüsisid Google’i mudelit GraphCast, Huawei loodud süsteemi Pangu-Weather ja mudelit Fuxi. Esimese kahe mudeli puhul kaasasid teadlased analüüsi lisaks rgikasutusse võetud versioonid. Võrdlusaluseks valitud HRES toetub seevastu puhtalt atmosfääri käitumist kirjeldavatele füüsikalistele reeglitele ja seda peetakse maailma parimaks füüsikapõhiseks ilmamudeliks.
Teadlased koostasid esmalt mahuka andmestiku aastatel 2018–2020 purunenud tuule-, kuuma- ja külmarekorditest. Ainuüksi 2020. aasta materjal hõlmas enam kui 162 000 kuumarekordit eri kliimavöötmetest. Valimisse mahtus nii Siberi kuumalaine kui ka kümneid tuhandeid vähem tuntud kohalikke äärmusi.
Katsete tulemused näitasid, et andmepõhised mudelid näevad äärmuslikke olukordi ette selgelt kehvemini. Kuigi tehisintellekt edestas tavapärase ilma ennustamisel vana süsteemi, muutus uute rekordite puhul olukord vastupidiseks. Traditsiooniline füüsikapõhine HRES mudel prognoosis erakordseid sündmusi uutest algoritmidest järjepidevalt täpsemalt.
Süstemaatiline viga saatis kõiki vaadeldud masinõppemudeleid sõltumata geograafilisest asukohast või aastaajast. Äärmusliku kuumalaine korral kippusid uued mudelid õhutemperatuuri alahindama, samas kui külmarekordite puhul pakkus tehisaru tegelikkusest krõbedamaid miinuskraade. Tulemused näitavad Zhangi ja Engelke töörühma sõnul, et tehisintellekt kaldub ennustustes ilma normaliseerima.
Andmestikku edasi analüüsides selgus, et mida suurema varuga uus rekord eelmist ületas, seda rohkem masinõppe-algoritmid eksisid. Uurijate kinnitusel käituvad mudelid viisil, nagu neil oleks ees kujuteldav lagi, mis ei luba neil treeningandmetest väljapoole astuda. Numbrilised mudelid talusid erakordseid muutusi palju paremini, sest loodusseadused võimaldavad neil loogiliselt tuletada ka enneolematuid olukordi.
See võib seada löögi alla riiklikud hoiatussüsteemid. Uuringu autorid viitasid, et praeguse üleilmse soojenemise tempo juures purustavad kuumalained varasemaid rekordeid tihtipeale suure varuga. Kuna uusi anomaaliaid mudelite treeningandmetest veel ei leia, ei suuda algoritmid neid piisava veendumusega ennustada.
Lisaks muretsevad uurijad, et kui tehnoloogiaettevõtted hoiavad uuemate mudelite lähtekoode suletuna, takistab see algoritmide sõltumatut kontrolli. Olukorra parandamiseks pakkusid autorid välja uue süstemaatilise hindamisprotokolli, mis aitab edaspidi prognooside paikapidavust täpsemalt mõõta.
Uuritud programmid väljastasid tuleviku kohta ka vaid ühe kindla ilmapildi ehk deterministliku prognoosi. Praegu analüüsib sama teadlaste rühm uuemaid tõenäosuspõhiseid mudeleid. Zhangi ja Engelke on samas kindlad, et sarnased probleemid saadavad neidki, kuna masinõpe sõltub alati algandmete kvaliteedist ja hulgast.
Arendajad peaksid leidma seega viisi, kuidas ühendada masinate arvutuskiirus füüsikalise loogikaga. Uurijad kinnitasid, et otsivad ka ise uusi lahendusi ekstreemsete sündmuste paremaks ennustamiseks. Nende hinnangul annavad parima tulemuse hübriidmudelid, mis ühendavad endas nii füüsikaliste kui ka tehisarul põhinevate ilmamudelite tugevused.
Töörühm kirjeldab oma leide ajakirjas Science Advances.
