Мир как граф: нейросеть учится предсказывать Эль-Ниньо
Океан похож на гигантскую паутину, где каждая нить соединяет далёкие точки воды. Когда в одном месте теплеет, через тысячи километров меняются ветры и течения. Нейросеть из этой работы впервые сама сплела такую паутину, чтобы предсказывать Эль-Ниньо.
Эль-Ниньо — это тёплое течение, которое раз в несколько лет перекраивает погоду по всей планете: где-то льют дожди, где-то наступает засуха. Раньше прогнозы делали двумя способами. Физические модели считали океан и атмосферу по уравнениям, но им не хватало точности на полгода вперёд. Свёрточные нейросети, которые хорошо различают узоры на карте, плохо видят дальние связи: они предполагают, что один и тот же узор важен в любом месте. А Эль-Ниньо — это как раз дальние связи.
Авторы представили океан как граф из 1345 точек с шагом в 5 градусов. Каждая точка хранила температуру поверхности и теплосодержание за три месяца. Главная новинка — связи не задавались заранее. Модель сама решала, какие точки должны обмениваться информацией, и оставляла только восемь самых сильных связей на каждую точку. Затем по этим связям распространялись сигналы, как слухи по сети знакомств.
Результат оказался сильнее прежних подходов. Для прогноза на один месяц корреляция с наблюдениями составила 0.975, на три месяца — 0.917, на шесть — 0.780. Свёрточная нейросеть давала 0.942, 0.876 и 0.762 соответственно. Для редкого и сильного Эль-Ниньо 2015 года модель показала корреляцию 0.948 по году, обойдя почти все статистические и большинство динамических моделей.
Самое интересное — выученная паутина оказалась физически осмысленной. На коротких горизонтах ключевые точки сосредоточены в том регионе, где измеряется индекс ONI. К шести месяцам влияние распространяется на западную часть Тихого океана, а к 23 месяцам — на Индийский и Атлантический океаны. Это совпадает с известными теориями: волны Кельвина и Россби, речардж-осциллятор, влияние Индийского океана.
Раньше глубокие модели для Эль-Ниньо были чёрным ящиком: они давали прогноз, но не объясняли, почему он сработал. Теперь выученные связи можно проверить как гипотезы для климатологов. Это шаг от туманного предсказания к инструменту, который показывает, какие регионы океана действительно важны.
Паутина, которую нейросеть сплела для прогноза, оказалась не случайной. Она повторяет те нити, которые физики уже находили в океане. Значит, машина не просто запомнила данные, а ухватила настоящий механизм явления.
Модель потребовала в 12 раз меньше нейросетей, чем предыдущий рекорд: одна сеть на горизонт вместо двенадцати для каждого сезона. При этом обучение занимало всего 33–50 минут на четырёх GPU.
В романе Кима Стэнли Робинсона «Сорок знаков дождя» климатологи бьются над предсказанием внезапных климатических сдвигов. Graphiño — шаг к тому, чтобы такие прогнозы стали рутиной, а не драмой.