人类在预测天气这件事上已持续了千百年,古时便有夜观天象,而今随着科技发展,人工智能和机器学习领域取得突破,AI也越来越多地参与到天气预报行业中。
最近,DeepMind和谷歌新研究出了一种基于机器学习的天气模拟器,可以在60秒内预测10天内的天气。DeepMind以「编码-处理-解码」的方式使用图神经网络(GNN)创建的自回归模型GraphCast,在10天的预报中,在6小时步长和0.25°经纬度分辨率下,超过了目前最精确的确定性系统——ECMWF的HRES,并且GraphCast只需要一台Cloud TPU v4设备即可预测。
我们的科技留言板“有意见”如下
@不倒翁:中国古人说,“差若毫厘,谬以千里。”在科学领域,称之为“蝴蝶效应”。高性能计算结合AI的价值是分析大量的数据,但并不是分析更准确的数据,有些领域的就不适合数据越大,分析越准确,天气预测就是之一,因为计算机对于最初的数据非常敏感,前期一个微小的变化将对后面产生不可估量的影响。所以我们洞见大自然,只能在大自然的范围内!除非AI在更高维度观察大自然,不然不可能预测准确。
@黑咕隆咚:虽然AI预测天气用时短且准确率高,但是它也不会完全取代人类,预测结果还是得依靠有经验的人员进行核验,然后再传达给公众,以确保其可靠性,而且AI擅长预测它所接受训练的数据中常见的模式,如果遇到异常极端天气,它还能否预测呢?
@周一见:雷丁大学的气象学家Rob Thompson说:「与其说DeepMind的研究完全颠覆了我们所知道的雨水预报,不如说它只是提供了一种不同的方法。它的表现与当前其他尖端类型的模型类似,可能稍微好一点,但并没有领先很多」
好文章,需要你的鼓励
牛津大学提出PHYSIFORMER,一种扩散变换器模型,通过三维网格顶点轨迹直接在世界坐标空间预测刚性与弹性物体的物理运动,一次性生成全序列轨迹,超越自回归基线。
随着医疗数据数字化与互操作性的进步,跨机构纵向患者数据的研究应用成为可能。本研究通过对20位领域专家的访谈,识别出8种数据收集方法,涵盖智能手机应用、结构化数据导出、区域/全国研究查询及聚合数据源等。研究发现,各方法均有其优缺点,无单一最优方案。参与者中介交换方式可绕过复杂治理安排,但存在数据缺口;全国性网络尚不支持研究查询。公共政策的持续推进将对该领域发展起关键作用。
研究发现主流奖励模型对同等质量答案给出差异悬殊的分数,并提出"奖励聚类"算法通过蒙特卡洛随机失活将连续分数离散化,在不重训模型的前提下有效减少AI训练中的奖励作弊现象。