Переводчик, выучивший язык по тысячам книг, переводит разговор, не отвлекаясь на шум в зале. Так и нейросеть, обученная на огромном архиве модельного климата, предсказывает погоду на зиму по температуре океана в июле.
Океан хранит тепло и отдаёт его медленно, как каменная печь после топки. Если в июле вода на глубине нескольких десятков метров была теплее обычного, зима в некоторых регионах может быть мягче. Обычные прогностические модели пытаются рассчитать все детали физики, но часто ошибаются из-за неточных данных и упрощений. Нейросеть поступает иначе: она не решает уравнения, а ищет закономерности в 127 137 годах уже готовых симуляций. Это как выучить язык по тысячам книг, а не по учебнику грамматики.
Сначала модель училась предсказывать зиму по океану, потом осваивала сжатие информации, и наконец все её части тонко настраивались вместе. Затем нейросеть запустили на реальных данных за 1982–2018 годы и сравнили с четырьмя лучшими динамическими системами. Оказалось, что нейросеть точнее почти на всех континентах, а в восточной тропической части Тихого океана её прогнозы почти идеальны. Более того, нейросеть можно использовать как зеркало для старых моделей: если прогноз нейросети, обученной на данных одной модели, лучше прогноза самой этой модели, значит, дело не в данных, а в её устройстве. Такой подход помогает находить слабые места и делать прогнозы надёжнее для сельского хозяйства, водных ресурсов и энергетики.
Для обучения использовано 127 137 лет модельных данных: если бы один компьютер генерировал их непрерывно, ему потребовалось бы более 127 тысячелетий. При этом прогноз на один сезон модель выдаёт за доли секунды.
Идея учиться на «модельном мире», чтобы предсказывать реальный, перекликается с романом Лю Цысиня «Задача трёх тел», где виртуальная симуляция помогает понять хаотическую динамику. Только здесь симуляция используется не для выживания цивилизации, а для прогноза погоды на зиму.