NVIDIA dan Lawrence Berkeley National Laboratory telah bersama-sama mengembangkan Huge Ensembles (HENS), sebuah perangkat pembelajaran mesin baru yang dirancang untuk meningkatkan kemampuan prakiraan cuaca ekstrem. Perangkat ini mencapai akurasi prakiraan setingkat superkomputer sekaligus mengurangi daya dan biaya komputasi secara signifikan. HENS tersedia dalam bentuk kode sumber terbuka dan model siap pakai, serta dapat memprediksi peristiwa cuaca yang jarang namun parah, seperti gelombang panas dan badai berskala abad. Teknologi ini membantu para ahli meteorologi, pemerintah daerah, dan tim tanggap darurat menguji skenario secara efisien dan memperbarui strategi respons dengan sumber daya komputasi yang minimal.

Para peneliti menerbitkan makalah penelitian dua bagian dalam jurnal Geoscientific Model Development yang merinci metodologi HENS, yang telah menghasilkan salah satu koleksi simulasi cuaca dan iklim terlengkap dan terandalkan hingga saat ini. Kumpulan data ini, yang terdiri dari 27.000 tahun data, menyediakan sumber daya yang tak tertandingi untuk menganalisis statistik dan akar penyebab peristiwa cuaca ekstrem. Ankur Mahesh, rekan penulis studi dan peneliti pascasarjana di Berkeley Lab, menekankan pentingnya kumpulan data masif ini dalam studi peristiwa cuaca ekstrem.

HENS membanggakan kemampuannya untuk memprediksi fenomena cuaca lebih cepat daripada metode yang ada, mengurangi waktu prakiraan dari hitungan jam menjadi menit. HENS juga memperluas cakrawala prakiraan, menyediakan prakiraan dari enam jam menjadi dua minggu ke depan dengan resolusi spasial 15 mil (sekitar 24 kilometer). Kemampuan ini memungkinkan para peneliti untuk meneliti pola cuaca jangka panjang dan berpotensi menemukan indikator baru yang mendahului peristiwa cuaca ekstrem. Bill Collins, rekan penulis senior studi ini, menekankan keunggulan HENS untuk prakiraan jangka panjang peristiwa cuaca dengan probabilitas rendah dan berdampak tinggi.

Pendekatan inovatif HENS juga unggul karena lebih hemat energi dan membutuhkan lebih sedikit sumber daya manusia dibandingkan metode tradisional. HENS menghemat energi dengan mempertahankan akurasi melalui pelatihan ulang model yang cepat dengan data baru. Shashank Subramanian, seorang insinyur pembelajaran mesin di Berkeley Lab dan rekan penulis studi ini, menunjukkan efektivitas biaya model HENS untuk prakiraan komputasional. Michael Pritchard, rekan penulis dan direktur penelitian simulasi iklim lainnya di NVIDIA, menggambarkan HENS sebagai alat inovatif yang dapat menghasilkan kumpulan simulasi besar dalam waktu dan biaya yang jauh lebih sedikit dibandingkan simulasi numerik tradisional.