Google DeepMind: 32 Zufallszahlen, 1 Minute für die Vorhersage der Erde in den nächsten 15 Tagen
Die Zeit der Wettervorhersage hat wirklich sich verändert.
Das neueste von Google DeepMind veröffentlichte WeatherNext 2 hat das Abfragen des Wetters auf Stundenebene und Echtzeitniveau gehoben.
Es läuft achtmal schneller als seine Vorgängerversion und hat eine Auflösung auf Stundenebene. Das bedeutet, anstatt der traditionellen Vorhersage wie "Morgen Nachmittag regnet es" kann es jetzt auf die Details gehen wie "Morgen von 2 bis 3 Uhr leichter Regen, von 3 bis 4 Uhr wird der Regen stärker und von 5 bis 6 Uhr hört er allmählich auf".
Interessanterweise gibt es nicht nur eine Version der Vorhersage, sondern es können aus denselben Eingaben Dutzende oder Hunderte möglicher Wetterentwicklungsszenarien generiert werden.
Das, was traditionelle Supercomputer mehrere Stunden dauern würde, kann es mit einem TPU in nur einer Minute erledigen.
Das Ergebnis ist, dass 99,9% der Vorhersagevariablen und Zeiträume die Vorgängerversion WeatherNext übertreffen. Auch bei der Vorhersage des Einflussbereichs von Extremwetterereignissen wie Hitze- und Starkregenereignissen kann es früher Anzeichen erkennen.
Warum muss die Wettervorhersage so detailliert sein?
Das Modell zum kleinen Planeten machen
Zunächst hängt in der Realität viele Branchen eng mit dem Wetter zusammen.
Das Energiesystem nutzt es, um die Last zu koordinieren; die Stadtverwaltung nutzt es, um das Personal zu planen; die Landwirtschaft nutzt es, um den Arbeitsrhythmus zu bestimmen; Logistik und Flugverkehr müssen täglich auf das Wetter achten, um Entscheidungen zu treffen.
Außerdem kann das Atmosphärensystem als eine riesige chaotische Maschine angesehen werden. Jede kleine Störung kann möglicherweise die Wolkenbewegung oder den Niederschlagsbereich in einigen Tagen beeinflussen.
Die traditionelle Methode besteht darin, mit einer großen Anzahl von "verschiedenen Anfangsbedingungen" viele Vorhersagen durchzuführen und dann aus Tausenden von Ergebnissen die wahrscheinliche Richtung herauszufinden.
Aber das verbraucht zu viel Rechenleistung.
Der Schlüssel, der WeatherNext 2 sowohl schnell als auch genau macht, ist das von Google DeepMind neu vorgeschlagene FGN (Functional Generative Networks), ein funktionelles Generativnetzwerk.
Der Ansatz von FGN ist ganz anders. Es setzt nicht mehr physikalische Gleichungen ein und simuliert nicht den Wetterverlauf selbst. Stattdessen wird dem Modellkörper eine leichte, aber global konsistente Zufallsstörung hinzugefügt, um das Modell zu einem veränderlichen kleinen Planeten zu machen.
Genauer gesagt, wird bei jeder Vorhersage von FGN ein 32-dimensionaler kleiner Zufallsvektor, also 32 Zufallszahlen, eingegeben. Dieser Zufallsvektor durchläuft alle Schichten des Modells. Durch die Steuerung des internen Zustands des Modells generiert das Modell dann natürlich ein komplettes zukünftiges Wetterfeld.
Eine Zufallszahl entspricht einer Zukunft, und ein anderer Satz von Zufallszahlen entspricht einer anderen Zukunft.
Dies liegt daran, dass FGN das Modell selbst zu einer abrufbaren Zufallsfunktion macht und durch die interne Struktur das niedrigdimensionale Rauschen in ein global konsistentes Veränderungsmuster verbreitet. Bei der Schulung optimiert es nur den Einzelpunktfehler (CRPS) jedes Gitterpunkts. Aber um den Fehler aller Punkte gleichzeitig zu verringern, muss das Modell die Strukturgesetze des Wetters selbst lernen und kann daher spontan hochdimensionale räumliche Korrelationen erzeugen.
Das ist auch der Grund, warum 32 Zahlen schließlich eine globale Wetteränderung von bis zu 87 Millionen Dimensionen generieren können und dabei sowohl kohärent als auch physikalisch sinnvoll sind.
Diese scheinbar einfache und grobe Methode ist sogar genauer. Die Gesamtdarstellung von FGN übertrifft vollständig das bisher stärkste GenCast von DeepMind. Der Vorhersagefehler ist niedriger, die Wahrscheinlichkeitsdarstellung ist besser, die räumliche Struktur ist natürlicher, und die Beziehungen zwischen Windfeld, Temperatur und Höhenfeld sind besser koordiniert. Die Breite der Wahrscheinlichkeitsverteilung ist auch angemessener und es gibt keine Überkonzentration oder Überstreuung.
Bei Extremwetterereignissen ist seine Vorhersagefähigkeit besonders deutlich. Beispielsweise kann FGN bei der Vorhersage der Taifunbahn etwa 24 Stunden früher dieselbe Genauigkeit wie GenCast erreichen. Dies ist für Notfallentscheidungen und Verkehrssteuerung von entscheidender Bedeutung.
Außerdem kann es auf einem TPU eine 15-tägige globale Vorhersage in weniger als einer Minute generieren, was etwa achtmal schneller als zuvor ist.
Natürlich können in der realen Vorhersageprozedur von FGN hochfrequente Variablen gelegentlich leichte Artefakte verursachen.
Aber insgesamt ist FGN stabil, effizient und praktisch genug.
Link zur Studie: https://arxiv.org/abs/2506.10772
Referenzlink: https://x.com/GoogleDeepMind/status/1990435105408418253
Dieser Artikel stammt aus dem WeChat-Account "Quantum Bit". Autor: Wen Le. Veröffentlicht von 36Kr mit Genehmigung.