AB'nin WeatherGenerator isimli yeni Horizon projesi onaylandı. Bu proje, hava tahmini ve Dünya sistemiyle ilgili süreçlerin modellenmesi için yapay zekayı yeni yollarla kullanmayı amaçlıyor.
WeatherGenerator, aşağıda listelenen 16 Avrupa kuruluşu tarafından, Şubat 2025'te başlaması planlanan dört yıllık AB fonlu bir girişim kapsamında geliştirilmektedir. Girişim ECMWF tarafından yönetilirken, katılımcılar arasında yüksek performanslı bilgi işlem, makine öğrenimi ve uygulamalarda faaliyet gösteren önde gelen ulusal meteoroloji hizmetleri, araştırma merkezleri ve endüstri ortakları yer almaktadır.
- ECMWF (Uluslararası)
- Max-Planck-Gesellschaft zur Förderung der Wissenschaften e.V. (Almanya)
- Forschungszentrum Jülich (Almanya)
- Norwegian Meteorological Institute (Norveç)
- Royal Netherlands Meteorological Institute (Hollanda)
- Météo-France (Fransa)
- Swedish Meteorological and Hydrological Institute (İsveç)
- UK MetOffice (Birleşik Krallık)
- Centro Euro-Mediterraneo sui Cambiamenti Climatici (İtalya)
- Netherlands eScience Center (Hollanda)
- Buluttan Weather Intelligence (Türkiye)
- Latest Thinking (Almanya)
- Kajo Services (Slovakya)
- Statkraft (Norveç)
- ETH - Eidgenössische Technische Hochschule (İsviçre)
- MeteoSwiss (İsviçre)
Ana Hatları ileWeatherGenerator
WeatherGenerator'ın ardındaki temel fikir, çok sayıda belirli görev için kullanılabilen ve uyarlanabilen tek bir dünya sistemi modeli oluşturmaktır. Bu nedenle WeatherGenerator, göreve özgü bir makine öğrenimi modeli olmaktan çok, temel bir model olarak kabul edilebilir.
WeatherGenerator projesi, hava ve iklim modellemesine yönelik kapsamlı yaklaşımıyla öne çıkıyor. Tipik görev tabanlı, AI tabanlı hava durumu modellerinden farklı olarak, yeniden analiz, veri kümeleri, meteorolojik ve kara yüzeyi gözlemleri ve geleneksel modellerin çıktıları dahil olmak üzere çok çeşitli girdi veri kaynaklarını işleyebilen esnek, genel amaçlı bir araç olacak şekilde tasarlanmıştır. Bu şekilde, WeatherGenerator’ın tahmin, veri asimilasyonu, ölçek küçültme, son işlem gibi bir dizi görevi gerçekleştirmesi sağlanıyor ve WeatherGenerator’ı çok sayıda hava ve iklim uygulaması için çok yönlü bir model haline getiriyor.
WeatherGenerator'ın kavramsal fikri, tüm veri akışlarının içeri girmesine izin vermek ve ardından uzay/zaman boyutları boyunca istatistiksel korelasyonu öğrenmektir, böylece biri diğerine dönüştürülebilir.
Karşılaştırıldığında, NVIDIA’nın FourCastNet'i, Huawei’nin PanguWeather'ı ve Google DeepMind’ın GraphCast'ı gibi diğer AI tabanlı modeller daha çok görev tabanlı uzmanlaşmış modellerdir. FourCastNet, küresel geometriyi doğal olarak işlemek için sinir operatörlerini kullanır ve yüksek kararlılık ve mekansal çözünürlük sunan orta menzilli tahminlere odaklanır. Benzer şekilde, PanguWeather, sinir ağı modeli kullanarak hızlı küresel tahminlerde uzmanlaşmıştır. GraphCast, mekansal ilişkileri verimli bir şekilde modellemek için Grafik Sinir Ağlarını (GNN'ler) kullanır ve 10 günlük tahminler üretir. Özetle, WeatherGenerator, araştırmadan, operasyonel tahminlere kadar birçok alana uyarlanabilir bir çerçeve sunarken, PanguWeather, GraphCast ve FourCastNet gibi modeller doğruluk, hız ve orta menzilli tahminlere odaklanarak belirli tahmin görevlerinde mükemmeldir.
Temel Dizayn
Kodlayıcı-kod çözücü sinir ağı mimarisi, WeatherGenerator tasarımının merkezinde yer alır. Kodlayıcı bileşeni, küresel yeniden analizler, yerel alan modelleri (LAM'ler) ve gözlemsel veriler gibi birçok farklı veri kaynağını birleştiren bir alım motoru görevi görür. Daha sonra bu bilgileri herhangi bir şebeke ve çözünürlükten bağımsız, zengin bir Dünya Sistemi Durumu'na kaydeder.
Bu mimarinin operasyonel yürütülmesi sırasında, kodlayıcı yalnızca eğitim için kullanılan girdilerin bir alt kümesini gerektirir. Bu, çıkarım zamanında tüm veri girdilerinin mevcut olmayacağı beklenir.
Kod çözücü daha sonra otomatik regresif tahmin, küçültme, asimile etme veya dürtme gerçekleştiren bir tahmin motoru görevi görür. Bunun için, kodlayıcıdan gelen zengin temsile güvenir ve potansiyel olarak yüksek çözünürlüklü orografi veya uygulamaya özgü veriler gibi göreve özgü veri girdileriyle tamamlanır.
Çok sayıda farklı girdiyi işleyebilen bir makine öğrenimi aracını eğitmek için benimsenen yaklaşıma maskeli belirteç öğrenmesi denir. Fikir, LLM'lerin bir cümlenin kelimeleri arasındaki zengin ilişkileri ve kalıpları öğrendiği Maskeli Öz Dikkat kavramlarına benzer.
Bu yaklaşımda, giriş akışlarından gelen verilerin parçaları eğitim sırasında silinir. WeatherGenerator modeli bunları geri doldurmayı öğrenir, bu da veri kümeleri arasındaki istatistiksel korelasyonu öğrenmeyi gerektirir. Bu öğrenme sürecinin sonuçları daha sonra, örneğin, giriş akışları yalnızca bazı verileri kapsıyorsa eksik bilgileri doldurmak için kullanılabilir. Gelecekteki herhangi bir bilgiyi maskelemek ve bunu tahmin etmeye çalışmak, bu mimarinin gerçek tahmin yapmasını sağlar.
Ağ tamamen eğitildiğinde, giriş verilerini farklı giriş akışlarına dönüştürebilecek ve hem uzayda hem de zamanda boşlukları doldurabilecektir.
WeatherGenerator Uygulamaları ve Buluttan'ın Yenilenebilir Enerji Uzmanlığı
WeatherGenerator'ın temel yapısı, her türlü hava zekası uygulamasının üzerine inşa edilmesine olanak tanır.
Uygulamalar genellikle göreve özgü kod çözücülerden biriyle çalışır ve bunları ince ayar yapma (fine-tune) veya kod çözücüyü bir kuyruk ağıyla (tail network) genişletme seçeneğine sahip olur. Her iki yaklaşımın da kendine özgü dezavantajları olacaktır ve uygulama geliştiricileri temel modelle çalışmanın en iyi yolunu bulmak için çeşitli yaklaşımları araştıracaktır.
Buluttan, en son teknoloji makine öğrenimi yaklaşımlarının meteorolojik LAM'lerle ustaca birleştirildiği bir yenilenebilir enerji ürünleri portföyüne sahiptir. WeatherGenerator projesinin bir parçası olarak Buluttan, üretken yapay zeka ortamından gelen kavramları kullanarak yenilenebilir enerji algoritmaları araştıracak ve geliştirecektir. Daha sonra, temel WeatherGenerator modelinin yenilenebilir enerji algoritmalarının doğruluğu üzerindeki etkisini göstermek için performansı kıyaslayacaktır.
Sonraki Adımlar
- Dört yıllık proje, 16 ortağının tamamıyla Şubat 2025'te başlangıç toplantısı yapılacak.
- Proje web sayfası, sosyal medya ve proje e-posta listeleri aracılığıyla duyurulacak.
- Hem dahili hem de harici konuşmacılar tarafından sanal web seminerleri düzenlenecek.
- Projenin fikirlerini ve başarılarını yaymaya yardımcı olacak üç harici hackathon, iki hizmet toplantısı ve iki cinsiyet eşitliği toplantısı düzenlenecek.
Sonuç
Buluttan, Avrupa Orta Vadeli Hava Tahminleri Merkezi (ECMWF) ile birlikte yapay zeka tabanlı hava tahminin sınırlarını zorlamaya, yeni ve daha doğru bir tahmin yaklaşımı oluşturmak için yola çıktı. Bu yapay zeka odaklı yolculukta Avrupalı ortaklarımızla iş birliği yapmayı dört gözle bekliyoruz.
Yakın zamanda onaylanan AB-Horizon projesi olan WeatherGenerator, hava tahmini, veri asimilasyonu, son işleme ve daha birçok görev için kullanılabilen ve uyarlanabilen Üretken Yapay Zeka'dan ilham alan bir temel model oluşturmayı hedefliyor.
Buluttan olarak yenilenebilir enerji tahmin uzmanlığımızı kullanacağız ve mevcut algoritmalarımızı ve ürünlerimizi WeatherGenerator aracılığıyla bir sonraki seviyeye nasıl taşıyabileceğimizi araştıracağız. Performansı kıyaslayacağız, mevcut ve yeni müşterilerimize ne kadar finansal kazanç (€) sağlayacağımızı göstereceğiz. Yenilenebilir enerji üretim tahmininde yeni bir standart belirlemeyi dört gözle bekliyoruz.
