Почему нейросети не предсказывают суперураганы и меганаводнения?

Модели искусственного интеллекта, обладающие все возрастающей мощностью, способны с удивительной точностью составлять краткосрочные прогнозы погоды. Однако нейросети делают предсказания, основываясь исключительно на закономерностях прошлого, что ставит под вопрос их эффективность, когда погода преподносит беспрецедентные в истории наблюдений сюрпризы.

Новое исследование, проведенное учеными из University of Chicago в сотрудничестве с New York University и University of California Santa Cruz, посвящено изучению пределов возможностей ИИ в прогнозировании погоды. В работе, опубликованной в журнале Proceedings of the National Academy of Sciences, исследователи пришли к выводу, что нейросети не могут предсказывать погодные явления, выходящие за рамки существующих данных для обучения. Это означает, что такие события, как двухсотлетние наводнения, аномальные волны жары или сверхмощные ураганы, могут оказаться «слепым пятном» для ИИ.

Это ограничение приобретает особую важность по мере того, как исследователи внедряют нейросети в оперативное метеорологическое прогнозирование, системы раннего предупреждения и долгосрочные оценки рисков. Вместе с тем, ученые указывают на пути решения проблемы через интеграцию в ИИ-инструменты большего объема математических знаний и физических принципов.

Педрам Хассанзаде, доцент геофизических наук из University of Chicago и один из авторов исследования, называет погодные ИИ-модели одним из крупнейших достижений искусственного интеллекта в науке. Он подчеркивает, что, по результатам их работы, эти модели примечательны, но не всесильны. Хассанзаде добавляет, что поскольку такие модели существуют всего несколько лет, остается значительное пространство для инноваций.

Принцип работы ИИ для прогнозирования погоды схож с другими нейросетями, с которыми многие уже знакомы, например, с ChatGPT. Модель «обучается» на огромных массивах исторических погодных данных, выявляя в них закономерности. Затем, получив информацию о текущих погодных условиях, ИИ использует ранее усвоенные паттерны для предсказания погоды на ближайшие дни.

ИИ-модели справляются с этой задачей очень хорошо. Педрам Хассанзаде подтверждает, что они обычно достигают той же точности, что и передовые погодные модели на базе суперкомпьютеров, которые требуют в 10 000 – 100 000 раз больше времени и энергии. Он отмечает, что эти модели превосходно работают для повседневной погоды, однако ставит вопрос, что произойдет, если на следующей неделе случится аномальное погодное явление.

Обеспокоенность вызывает тот факт, что нейросеть оперирует данными о погоде, охватывающими лишь около 40 последних лет, что не отражает всего спектра возможных погодных явлений. Педрам Хассанзаде напоминает о наводнениях, вызванных ураганом Harvey в 2017 году: это событие оценивалось как происходящее раз в 2000 лет, и оно наглядно демонстрирует, что подобные катаклизмы реальны. Ученые иногда называют такие события «серыми лебедями» – они не столь катастрофичны, как «черные лебеди» (события вроде падения астероида, уничтожившего динозавров), но способны вызывать разрушительные последствия на локальном уровне.

Команда исследователей решила проверить пределы возможностей ИИ-моделей на примере ураганов. Они обучили нейросеть на данных о погоде за десятилетия, предварительно удалив из них информацию обо всех ураганах сильнее второй категории. Затем модели предоставили данные об атмосферных условиях, которые в реальности приводят к формированию урагана пятой категории через несколько дней. Модель не смогла экстраполировать данные и предсказать истинную силу урагана.

Юнцян Сунь, научный сотрудник University of Chicago и другой автор-корреспондент исследования, поясняет, что модель систематически недооценивала событие. По его словам, ИИ распознавал приближение некоего погодного явления, но неизменно прогнозировал его как ураган не выше второй категории. Такая ошибка, известная как ложноотрицательный результат, представляет серьезную проблему в прогнозировании погоды. Если прогноз предупреждает об урагане пятой категории, а на деле происходит лишь ураган второй категории, это приводит к излишней эвакуации. Однако гораздо опаснее обратная ситуация: если прогноз недооценивает силу урагана, который оказывается пятой категории, последствия могут быть катастрофическими.

Ключевое различие между нейросетями и традиционными погодными моделями заключается в том, что последние «понимают» физику. Ученые закладывают в них математические уравнения и физические законы, управляющие атмосферной динамикой, струйными течениями и другими явлениями. Нейросети же, подобно ChatGPT, который по сути является машиной для предсказания текста, лишь анализируют погодные паттерны и предлагают наиболее вероятное развитие событий на основе прошлого опыта.

Педрам Хассанзаде отмечает, что на данный момент ни одна крупная метеорологическая служба не использует исключительно ИИ-модели для прогнозирования. Однако по мере расширения их применения эту склонность к недооценке редких явлений необходимо будет обязательно учитывать. Специалисты из разных областей, от метеорологов до экономистов, начинают применять ИИ для долгосрочной оценки рисков, например, для генерации множества сценариев погодных условий с целью выявления наиболее экстремальных будущих событий. Если ИИ не способен предсказывать явления мощнее тех, что содержатся в его обучающих данных, его ценность для этой задачи снижается.

Тем не менее, исследователи обнаружили и обнадеживающий факт: модель способна прогнозировать более сильные ураганы, если в ее обучающих данных имелся хотя бы один прецедент такого события, даже если он произошел в другой части мира. Например, после удаления всех данных об атлантических ураганах, но при сохранении информации о тихоокеанских, модель смогла экстраполировать данные и предсказать мощные ураганы в Атлантике. Педрам Хассанзаде называет это открытие удивительным, поскольку оно свидетельствует о способности моделей прогнозировать события, не имевшие аналогов в одном регионе, но случавшиеся ранее в других местах.

В качестве решения проблемы исследователи предлагают начать интеграцию математических инструментов и принципов физики атмосферы в ИИ-модели. Педрам Хассанзаде выражает надежду, что если ИИ-модели смогут по-настоящему «изучить» динамику атмосферы, они научатся прогнозировать так называемых «серых лебедей». Методы реализации этой задачи являются предметом активных исследований. Одним из перспективных направлений, которым занимается команда, является активное обучение: ИИ помогает направлять традиционные физические модели погоды для создания большего числа примеров экстремальных событий, которые затем могут быть использованы для совершенствования обучения самого ИИ.

Джонатан Уиэр, профессор Курантовского института математических наук New York University и соавтор исследования, утверждает, что простое увеличение объемов смоделированных или наблюдаемых данных не решит проблему. Он указывает на необходимость более интеллектуальных подходов к генерации данных, которые позволили бы ответить на вопрос о том, как оптимально формировать обучающие выборки для улучшения прогнозирования экстремальных явлений. Уиэр также выражает уверенность, что сами погодные ИИ-модели, дополненные соответствующими математическими инструментами, способны помочь в поиске ответа на этот вопрос.