GoogleのAI研究グループGoogle DeepMindは、従来の気象予測手法を上回る性能を示す新たなAI気象モデル「GraphCast」を開発したと発表した。研究者らによると、GraphCastは10日間にわたる気象変数を1分以内に予測することができるという。これは、将来の天気予報がはるかに正確なものになる可能性を示唆するものであると、Washington PostとFinancial Timesは報じている。
科学誌「Science」に掲載されたこの研究成果では、ECMWF（欧州中期天気予報センター）が運用する従来のシステムと比較して、10日先までの世界の気象状況を予測する上で、従来の気象予測手法を大幅に上回り、1380の指標のうち90％でECMWFに勝る性能を示したと述べられている。これには気温、圧力、風速と風向、湿度など、さまざまな大気レベルの指標が含まれる。
「このGraphCastは、何百もの気象変数を、10日間、0.25°の分解能で、1分以内に予測する」と、研究者らは論文で述べているが、この進化は気象学において印象的なものであり、ECMWFの機械学習コーディネーターであるMatthew Chantry氏は、Financial Times紙のインタビューで、「気象学のAIシステムは2年前に予想したよりもはるかに早く、印象的に進歩した」と述べている。
GraphCastは、研究者が「グラフ・ニューラル・ネットワーク」と呼ぶ機械学習アーキテクチャーを利用しており、40年以上にわたるECMWFの過去の気象データに基づいて訓練されている。現在と6時間前の世界の大気の状態を処理し、Google TPU v4クラウドコンピュータ上で10日間の予報を約1分で生成する。従来のスーパーコンピューターによって大気物理学に基づく方程式を処理する方法に比べ、Googleの新たな機械学習ベースのシステムは、時間とエネルギーを大幅に節約するという。
Chantry氏は、Financial Times紙にGoogle GraphCastについて、「従来の方法に比べてエネルギー消費量で約1,000倍安い」と、その高い効率性を説明している。
実際、AIによる気象予測はすでに実世界でその応用可能性を示している。このツールは、ハリケーン・リーの米国ロングアイランド上陸を10日前に予測したが、当時気象予報士が使用していた従来の気象予測技術は遅れをとっていた。標準的な気象シミュレーションによる予測には時間がかかることがある。従来、正確な予測をするためには、モデルは複雑な物理学や流体力学を考慮しなければならなかったからだ。
ただし、GraphCastも完璧ではない。例えば、10月25日に最小限の警告でアカプルコを襲ったハリケーン「オーティス」の急激な強まりなど、すべてのシナリオで従来のモデルを上回ったわけではない。また、Washington Post紙によれば、技術的な限界から、グローバルAIモデルはまだ従来のものほど詳細で粒度の細かい予測を作成することができない。また、気象学者はAIモデルの「ブラックボックス」の中を見ることができず、なぜそのような予報を出すのかを正確に知ることができないため、透明性に問題がある。
結局のところ、Google DeepMindの研究者たちは、自分たちのAIベースのアプローチは、現在の気象予測技術を補完するものだと考えている。「我々のアプローチは、伝統的な気象予測手法の代替とみなされるべきではない」と彼らは書いている。
今後、ECMWFは独自のAIモデルを開発し、数値気象予測システムとの統合を検討する予定だ。英国気象庁もまた、アラン・チューリング研究所と共同で、将来的にスーパーコンピューターのインフラに組み込むために、天気予報用のグラフ・ニューラル・ネットワークを開発している。NOAA（アメリカ海洋大気庁）も、悪天候の発生時期や、重要なハリケーンの強度予測について、より正確な情報を提供するモデルの開発に取り組んでいるという。
論文
参考文献
- Google DeepMind: GraphCast: AI model for faster and more accurate global weather forecasting
- Washington Post: Why your weather forecasts may soon become more accurate
- Financial Times: AI outperforms conventional weather forecasting methods for first time
研究の要旨
地球規模の中距離気象予報は、多くの社会的・経済的領域における意思決定に不可欠である。従来の数値気象予測は、予測精度を向上させるために計算リソースの増大を利用しているが、基礎となるモデルを改善するために過去の気象データを直接利用することはない。ここでは、再解析データから直接学習した機械学習ベースの手法である「GraphCast」を紹介する。GraphCastは、10日間、0.25°の分解能で、数百の気象変数を1分以内に予測する。GraphCastは、1380の検証対象の90%において、最も正確な運用決定論的システムを大幅に上回り、その予測は、熱帯低気圧の追跡、大気河川、極端な気温を含む、より優れたシビアイベント予測をサポートする。GraphCastは、正確で効率的な気象予測における重要な進歩であり、複雑な力学系をモデル化するための機械学習の約束を実現するのに役立つ。
コメントを残す