Generatived (Beta) | Cung cấp tin tức và xu hướng mới nhất về AI sáng tạo

NVIDIA và Phòng thí nghiệm Quốc gia Lawrence Berkeley đã hợp tác phát triển Huge Ensembles (HENS), một công cụ học máy mới được thiết kế để nâng cao khả năng dự báo thời tiết cực đoan. Công cụ này đạt được độ chính xác dự báo ở cấp độ siêu máy tính đồng thời giảm đáng kể công suất tính toán và chi phí. HENS có sẵn dưới dạng mã nguồn mở và các mô hình chạy sẵn, có thể dự đoán các hiện tượng thời tiết hiếm gặp nhưng nghiêm trọng, chẳng hạn như nắng nóng và bão lớn hàng thế kỷ. Công nghệ này giúp các nhà khí tượng học, chính quyền địa phương và các đội ứng phó khẩn cấp kiểm tra hiệu quả các kịch bản và cập nhật các chiến lược ứng phó với tài nguyên tính toán tối thiểu.

Các nhà nghiên cứu đã công bố một bài báo nghiên cứu gồm hai phần trên tạp chí Geoscientific Model Development, trình bày chi tiết về phương pháp luận HENS, công cụ đã tạo ra một trong những bộ sưu tập mô phỏng thời tiết và khí hậu đồ sộ và đáng tin cậy nhất cho đến nay. Bộ dữ liệu này, bao gồm 27.000 năm, cung cấp một nguồn tài nguyên chưa từng có để phân tích số liệu thống kê và nguyên nhân gốc rễ của các hiện tượng thời tiết cực đoan. Ankur Mahesh, đồng tác giả của nghiên cứu và là nghiên cứu sinh sau đại học tại Phòng thí nghiệm Berkeley, đã nhấn mạnh tầm quan trọng của bộ dữ liệu khổng lồ này trong việc nghiên cứu các hiện tượng thời tiết cực đoan.

HENS tự hào có khả năng dự báo các hiện tượng thời tiết nhanh hơn các phương pháp hiện có, rút ngắn thời gian dự báo từ vài giờ xuống còn vài phút. Nó cũng mở rộng phạm vi dự báo, cung cấp dự báo từ sáu giờ đến hai tuần trước với độ phân giải không gian 15 dặm (khoảng 24 km). Khả năng này cho phép các nhà nghiên cứu xem xét kỹ lưỡng các kiểu thời tiết dài hạn và có khả năng phát hiện ra các chỉ báo mới trước các hiện tượng thời tiết cực đoan. Bill Collins, đồng tác giả chính của nghiên cứu, đã nhấn mạnh những lợi thế của HENS trong việc dự báo dài hạn các hiện tượng thời tiết có xác suất thấp, tác động lớn.

Phương pháp tiếp cận sáng tạo của HENS cũng nổi bật nhờ tiết kiệm năng lượng hơn và đòi hỏi ít nhân lực hơn so với các phương pháp truyền thống. Nó tiết kiệm năng lượng bằng cách duy trì độ chính xác thông qua việc đào tạo lại mô hình nhanh chóng với dữ liệu mới. Shashank Subramanian, một kỹ sư học máy tại Phòng thí nghiệm Berkeley và là đồng tác giả của nghiên cứu, đã chỉ ra tính hiệu quả về chi phí của mô hình HENS trong dự báo tính toán. Michael Pritchard, một đồng tác giả khác và là giám đốc nghiên cứu mô phỏng khí hậu tại NVIDIA, mô tả HENS là một công cụ cải tiến có thể tạo ra các nhóm mô phỏng lớn chỉ trong một phần nhỏ thời gian và chi phí cần thiết cho các mô phỏng số truyền thống.