Марсианская погода по земным лекалам экспресс
Метеорологи уже привыкли доверять нейросетям: модель GraphCast угадывает земную погоду на дни вперёд, опираясь на глобальные снимки атмосферы. Но этот «мозг» можно перенести на другую планету — туда, где воздух разрежен, а солнце греет иначе. Авторы работы взяли GraphCast и скормили ему данные из Марсианской климатической базы — своего рода виртуального двойника Красной планеты.
Первый тест — без дообучения — удивил: модель выдала довольно точный портрет текущей погоды, просто опираясь на земные «привычки». Но стоило заглянуть в будущее хотя бы на сутки, как прогноз уплывал к усреднённому климату, теряя суточный ритм. Утро, день, вечер, ночь сливались в одну бесконечную усреднённую картину.
Тогда модель начали учить заново. Всего на десяти циклах обучения она ухватила главное: как разворачивается дневной цикл, как температура слоями распределяется по высоте. Через несколько десятков эпох прогноз на десять дней вперёд уже неплохо совпадал с реальной марсианской динамикой. Качество росло с объёмом данных и зависело от того, с какого сезона стартует предсказание.
Этот эксперимент — не просто забава. Быстрый и точный прогноз марсианской погоды пригодится для планирования работы роверов, защиты техники от пылевых бурь и, в перспективе, для экспедиций с участием человека.
Оригинальная аннотация
как её написали авторы, на английском arXiv:2608.05054v1
We investigate the transferability of Earth weather foundation models to planetary atmospheres by adapting the GraphCast graph neural weather forecasting model to Mars. While GraphCast achieves state-of-the-art performance for terrestrial forecasting, its applicability to non-Earth environments remains unexplored. Using the Mars Climate Database (MCD), which provides global atmospheric fields across vertical altitude levels (similar to Earth pressure levels), we evaluate zero-shot and fine-tuned GraphCast predictions of Martian temperature and wind fields. Zero-shot forecasts produce a surprisingly accurate depiction of current conditions but fail to reproduce diurnal variability and rapidly decay toward climatological mean states. To address this limitation, we fine-tune GraphCast using MCD variables and top-of-atmosphere solar radiation forcing while holding humidity constant. Fine-tuning enables rapid learning of Martian thermal variability. Within as few as 10 training epochs, the model begins to capture the diurnal cycle and forecasts up to 10 days reproduce seasonal and vertical temperature structure. Prediction quality improves with training sample size and exhibits sensitivity to seasonal initialization. These results demonstrate that Earth-trained AI weather models can be adapted to simulate Martian atmospheric dynamics, providing a pathway toward rapid planetary weather prediction to support mission operations, dust storm risk mitigation, and future human exploration.
Из-за низкого давления марсианский ветер, даже ураганный, ощущается как лёгкий бриз — он не повалит человека, но поднимет тучи мелкой пыли.
В «Марсианине» Энди Вейера астронавт выживает, опираясь на точные сводки погоды — подобные модели могли бы стать его электронным метеорологом.