Googles Deepmind ligger bakom den nya väderprognosmodellen Graphcast som baseras på maskininlärning. Och i en ny artikel i Science uppger forskarna bakom Graphcast att modellen slår prognoser från European Centre for Medium-Range Weather Forecasting, en global storspelare inom väderprognoser, i 90 procent av mer än 1 300 atmosfäriska variabler som luftfuktighet och temperatur, rapporterar Wired.
Dessutom kan Graphcast få ut en väderprognos på under en minut medan andra modeller kräver en superdator.
På Deepmind tror forskarna att det med utgångspunkt från prestandan i modellen ör möjligt att framåt finjustera versioner som klarar vissa typer av väderförhållanden, som nederbörd, extrem värme eller orkanbanor eller för att ge mer detaljerade prognoser för specifika regioner ännu bättre än i dag. Google säger sig också titta på om Graphcast kan komma att läggas till bland företagets produkter.
Men hur fungerar modellen i en tid av snabba klimatförändringar som påverkar väderhändelser om den baseras på historiska data? Enligt forskarna tycks modellen ha internaliserat atmosfärens fysik som styr vädret oavsett klimatförändringar och pekar på det faktum att Graphcast förutsagt en mängd olika vädersystem, inklusive orkaner, trots att det har sett relativt få av varje typ i sina träningsdata. Men det gör det ändå viktigt att träna på så aktuella data som möjligt.
Samtidigt finns det sådant som alla vädermodeller går bet på hittills – även Graphcast. Det gäller exempelvis när orkanen Otis slog till mot Acapulco i Mexiko och ingen modell förutsåg att den skulle intensifieras och drabba miljontals människor. Men alla de data som samlas in även runt sådana väderhändelser flödar tillbaka in i både konventionella modeller och till AI-modeller som Graphcast.
