Р.М.Вильфанд, доктор технических наук,
заслуженный метеоролог Российской Федерации
- научный руководитель Гидрометцентра России,
член Экспертного совета РГМО,
Г.В.Елисеев, кандидат физико-математических наук,
заслуженный метеоролог Российской Федерации
- научный руководитель метеорологического направления Гидрометцентра России.
В рамках темы надо, прежде всего, раскрыть суть понятий «прогнозирование погоды» и «интеллект», как человеческий (естественный), так и искусственный.
Что такое погода и как важно её прогнозировать известно и понятно всем из повседневного жизненного опыта. С точки зрения науки «прогнозирование погоды» - это определение (расчёт) будущего состояния очень сложной физической системы - климатической системы Земли, неплохо изученной к настоящему времени.
Достижения интеллекта человека также понятны из истории развития человеческого общества, восхождения к цивилизации «человека разумного». Строгого определения понятия «человеческий» интеллект (разум) нет, и нет уверенности, что его вообще можно сформулировать в конкретных терминах. Однако, на интуитивном уровне оно понятно. Человеческий интеллект характеризуется такими свойствами, как мышление, рассуждения, речь, эмоции, распознавание и создание образов, обучение, решение задач без заранее заданного алгоритма (творчество), принятие решений в условиях неопределённости, интуиция, а также способность к организации действий, приводящих к решению задач, проблем и др.
Что естественный интеллект дал для прогнозирования погоды? Разум человека позволил понять основные физические процессы в природной среде (атмосфера, океан и др.); придумать математические модели атмосферы, океана и земной системы в целом; разработать суперкомпьютеры, спутники, измерительные приборы, телекоммуникации; объединить все это в сложнейшие технологии прогнозирования погоды. Эти достижения были обеспечены творческими, познавательными функциями человеческого разума, на что потребовалось много (сотни) лет.
Материальной (физиологической) основой естественного интеллекта являются взаимосвязанные между собой нервные клетки (нейроны), имеющие исключительно сложное строение. Нейроны образуют сложнейшую сетевую структуру – нервную систему человека, главным органом которой является мозг. Нейрон имеет отростки – аксон (обычно один), по которому возбуждение (сигнал) распространяется от нейрона, и дендриты (тысячи, десятки тысяч), по которым сигналы поступают к нейрону. Мозг человека имеет порядка 100 миллиардов нейронов многих разновидностей. Важнейшим свойством мозга является, видимо, сознание (самосознание) и возможность обучения, что позволяет приспосабливаться к разнообразным условиям окружающей среды [1]. Следует отметить, что сущность и природа естественного интеллекта (разума человека, его сознания и самосознания) в настоящее время не разгадана. Возможно, она имеет квантово-механическую природу [2], как, впрочем, и биологическая жизнь в целом.
Интересно отметить, что сам по себе естественный интеллект не обладает сколько-либо существенными возможностями прогнозирования погоды. Но достижения разума во множестве областей науки, технологии и техники позволяют в настоящее время неплохо прогнозировать погоду, по крайней мере на 7-10 суток, причём без использования возможностей искусственного интеллекта.
Для человека, обладающего разумом, естественно желание исследовать и моделировать свои интеллектуальные возможности, хотя бы для частных случаев. В этой связи возникает идея так называемого искусственного интеллекта. Общепринятого определения понятия ИИ нет. Для представления о хаосе, существующем в этом вопросе, интересно привести примеры существующих определений.
Искусственный интеллект определяется как:
· «наука о том, как научить компьютеры делать то, в чем люди в настоящее время их превосходят»;
· «междисциплинарная область исследований и набор технологий, позволяющий создавать технические системы, решающие задачи, ранее доступные только человеку»;
· «Искусственный интеллект относится к системам, демонстрирующим разумное поведение, которое заключается в анализе окружающей среды и совершении действий – с некоторой степенью автономии – для достижения поставленных целей»;
· «способность технической системы имитировать когнитивные функции человека (включая самообучение и поиск решений без заранее заданного алгоритма) и получать при выполнении конкретных практически значимых задач обработки данных результаты, сопоставимые, как минимум, с результатами интеллектуальной деятельности человека»;
· «Комплекс технологических решений, позволяющий имитировать когнитивные функции человека (включая самообучение, поиск решений без заранее заданного алгоритма и достижение инсайта) и получать при выполнении конкретных практически значимых задач обработки данных результаты, сопоставимые, как минимум, с результатами интеллектуальной деятельности человека.
Примечание — Комплекс технологических решений включает в себя информационно-коммуникационную инфраструктуру, программное обеспечение (в том числе, в котором используются методы машинного обучения). процессы и сервисы по обработке данных, анализу и синтезу решений. Это уже официальное определение из государственного стандарта [3].
Можно отметить, что ИИ определяется как наука (междисциплинарная область исследований) и/или как техническая система.
Искусственный интеллект условно принято подразделять на «слабый» ИИ и «сильный» ИИ. Слабый ИИ проявляет ограниченные возможности и позволяет решать узкоспециализированные задачи, которые раньше мог решать человек.
Сильный ИИ, в отличии от слабого, должен обладать всеми возможностями человеческого разума (включая самосознание, обучение, самосовершенствование, постановку и решение творческих задач). Если великая тайна разума будет разгадана и проблема создания сильного ИИ будет решена, то последующее развитие технологий с неизбежностью приведёт к тому, что ИИ сможет существенно превзойти возможности человеческого интеллекта. Следствием этого может быть и прорыв в возможностях по прогнозированию погоды и климата. Но в настоящее время оснований для рассмотрения сильного ИИ нет — это пока мечта. Может быть лучше, чтобы она не осуществилась (но это вряд ли).
В настоящее время бурно развивается «слабый» вариант ИИ. Искусственные интеллектуальные системы для решения большого числа практических задач создаются с использованием трёх основополагающих математических подходов: 1) метода символьных вычислений и логического вывода; 2) аппарата эволюционных алгоритмов и 3) метода машинного обучения с использованием искусственных нейронных сетей (ИНС). Наиболее бурно развивается и широко используется метод машинного обучения, особенно после недавней (в 10-е годы) разработки технологий «глубокого» обучения [4].
Надо отметить, что, по сравнению с естественными (биологическими, аналоговыми) нейронами и их сетями, искусственные нейроны и искусственные нейронные сети (сейчас это электронные схемы цифровых компьютеров) крайне примитивны. Тем не менее, ИНС позволяют весьма эффективно моделировать одно из важнейших свойств естественного интеллекта – возможность обучения. Это позволяет сводить многие практические задачи к формированию ИНС определённой структуры (обычно это компьютерная программа для универсального компьютера или специализированный компьютер) и обучение созданной ИНС на некотором массиве данных. Причём, все это осуществляется с использованием достаточно стандартных подходов и технологий. Эффективность решения конкретной задачи с использованием ИНС будет определяться составом и объёмом обучающих данных, которые с достаточной детальностью должны охватывать весь диапазон ситуаций, в которых должна работать система ИИ на основе обученной ИНС.
Технологии, развиваемые в рамках ИИ (слабого), могут использоваться также для решения задач прогнозирования погоды. Какие преимуществами и недостатками могут обладать такие технологии? Кратко рассмотрим этот вопрос на примере технологий (глобальных) прогнозирования погоды на средние сроки - до 10 суток.
Применяемые в настоящее время технологии среднесрочного прогнозирования (глобального численного прогноза погоды – ЧПП) основаны на использовании математических моделей атмосферы, в рамках которых на суперкомпьютере решается сложнейшая система уравнений гидротермодинамики атмосферы, представляющих собой математическую запись (в той или иной форме) фундаментальных законов природы, открытых человеком [5]. Модель атмосферы включает также математическое описание поверхности Земного Шара и процессы в ней, а также астрономические факторы и процессы, влияющие на атмосферу. Начальное состояние атмосферы для исходного момента времени задаётся по данным от Глобальной системы метеорологических наблюдений, далее ведётся счёт по модели атмосферы до заданной заблаговременности шагами по времени (задача Коши). Понятно, что качество прогнозов зависит, в частности, от совершенства используемой модели атмосферы. Но математическая модель, при всем её совершенстве, не может быть полностью адекватной сложнейшей физической системе – климатической системе Земного Шара. Поэтому на каждом шаге по времени накапливаются ошибки прогноза, что ограничивают полезную заблаговременность прогноза. Таким образом, преимуществом технологии ЧПП является то, что она базируется на фундаментальных законах природы, открытых человеческим интеллектом. Недостатком – использованием для прогнозирования математической модели, которая не может быть полностью адекватной климатической системе Земли. Также в качестве недостатка может рассматриваться то, что технология ЧПП не может использовать в явном виде данные метеорологических наблюдений за предшествующий период (исторические данные), которые характеризуют метеорологические процессы в реальной климатической системе Земли.
Технология среднесрочного прогнозирования, основанная на технологии ИИ, должна включать искусственную нейронную сеть, для обучения которой могли бы использоваться имеющиеся исторические данные глобальных метеорологических наблюдений. При таком подходе можно выделить два фундаментальных недостатка.
Во-первых, данные метеорологических наблюдений очень неравномерно распределены по территории (океаны, моря, многие территории суши плохо освещены данными наблюдений). Количество пунктов наблюдений, состав и качество наблюдений менялись в предшествующие десятилетия, то есть данные неоднородны. Поэтому данные наблюдательной сети не позволяют качественно обучить ИНС, предназначенной для прогнозирования процессов в сложнейшей физической системе с миллионами степеней свободы (независимых переменных).
Во-вторых, такой прямолинейный подход не позволяет использовать знания, содержащиеся в фундаментальных законах природы, формализованные в виде уравнений динамики атмосферы. ИНС вполне может выдавать результаты, противоречащие физическим представлениям.
Ситуация изменилась в связи с разработкой и реализацией в крупнейших метеорологических центрах технологии реанализа, позволяющей на основе использования сопряжённых уравнений динамики атмосферы, по данным имеющихся наблюдений, восстановить состояния атмосферы за предшествующий период с очень высокой детальностью. Технологии реанализа, очень затратные в вычислительном отношении, позволяют формировать большой объем высокодетальных и однородных данных, которые вполне могут использоваться для обучения ИНС. При этом, в процессе реанализа данные наблюдений заменяются (восполняются) данными, которые рассчитываются с использованием уравнений динамики атмосферы, то есть эти результаты не будут противоречить фундаментальным законам природы.
В качестве интересного примера нового подхода к среднесрочному прогнозированию погоды рассмотрим созданную Европейским центром среднесрочных прогнозов погоды (ЕЦСПП) технологию глобального прогнозирования погоды на 10 суток на основе машинного обучения с использованием ИНС весьма сложной архитектуры (технология «GraphCast»). Технология «GraphCast» работает с разрешением 0,25° по широте и долготе, 37 вертикальными уровнями и шагом по времени 6 часов, что определяется свойствами данных реанализа ERA5, которые использовались для обучения.
Результаты, полученные с использованием технологии «GraphCast» сравнивались с результатами ЧПП, получаемых с использованием прогностической модели IFS ЕЦСПП (имеет разрешение по широте и долготе 0,1°, 137 уровней и шаг по времени до 1 часа). Исследования, в частности, показали, что технология «GraphCast» прогнозирует геопотенциал 500 гПа (с заблаговременностью 1-10 суток) в среднем на 7-10 процентов точнее, чем классическая модель IFS ЕЦСПП. Исследования также показали целесообразность регулярного обучения ИНС на более «свежих» данных.
Таким образом, можно сделать заключение не о противопоставлении а) классических (физико-математических, статистических, синоптических) направлений исследований и б) методов машинного обучения, а об уместном сочетании этих подходов в задачах развития метеорологического прогнозирования.
Результаты исследований можно посмотреть на сайте:
Список литературы
1. Греченко Т.Н. Психофизиология: Учебное пособие. – М.: Гардарики, - 1999. – 358 с.
2. Роджер Пенроуз. Новый ум короля. - М.: Ленанд, 2019.- 416 с.
4. Душкин Р.В. Искусственный интеллект. – М.: ДМК Пресс, 2019. – 280 с.
5. Клемин В.В., Кулешов Ю.В., Суворов С.С., Волконский Ю.Н. Динамика атмосферы: Учебник. _СПб.: Наука, 2013. – 421 с.
6. Learning skillful medium-range global weather forecasting. First Release DOI: 10.1126/science.adi2336. - https://www.science.org/doi/10.1126/science.adi2336 .
24 апреля 2024 года
