Dagens väderprognoser kommer från några av de mest kraftfulla datorerna på jorden. De enorma maskinerna går igenom miljontals beräkningar för att lösa ekvationer för att förutsäga temperatur, vind, nederbörd och andra väderhändelser. En prognos kombinerade behov av hastighet och noggrannhet beskattar även de modernaste datorerna.

Framtiden kan ha en radikalt annorlunda inställning. Ett samarbete mellan University of Washington och Microsoft Research visar hur artificiell intelligens kan analysera tidigare vädermönster för att förutsäga framtida händelser, mycket mer effektivt och potentiellt en dag mer exakt än dagens teknik.

Den nyutvecklade globala vädermodellen baserar sina förutsägelser på de senaste 40 årens väderdata, snarare än på detaljerade fysikberäkningar. Den enkla, databaserad A.I. modell kan simulera ett års väder runt om i världen mycket snabbare och nästan lika bra som traditionella vädermodeller, genom att ta liknande upprepade steg från en prognos till nästa, enligt en artikel som publicerades i somras i Journal of Advances in Modeling Earth Systems.

"Maskininlärning är i grunden att göra en glorifierad version av mönsterigenkänning, " sa huvudförfattaren Jonathan Weyn, som gjorde forskningen som en del av sin UW doktorsexamen i atmosfäriska vetenskaper. "Den ser ett typiskt mönster, känner igen hur det vanligtvis utvecklas och bestämmer vad som ska göras baserat på de exempel den har sett under de senaste 40 åren av data."

Även om den nya modellen är, inte överraskande, mindre exakt än dagens bästa traditionella prognosmodeller, den nuvarande A.I. design använder cirka 7, 000 gånger mindre datorkraft för att skapa prognoser för samma antal punkter på jordklotet. Mindre beräkningsarbete innebär snabbare resultat.

Den snabbheten skulle göra det möjligt för prognoscentralerna att snabbt köra många modeller med lite olika startförhållanden, en teknik som kallas "ensemble forecasting" som låter väderprognoser täcka intervallet av möjliga förväntade utfall för en väderhändelse – till exempel, där en orkan kan slå till.

"Det finns så mycket mer effektivitet i det här tillvägagångssättet; det är det som är så viktigt med det, " sa författaren Dale Durran, en UW professor i atmosfäriska vetenskaper. "Löftet är att det skulle kunna tillåta oss att hantera förutsägbarhetsfrågor genom att ha en modell som är tillräckligt snabb för att driva mycket stora ensembler."

Medförfattaren Rich Caruana på Microsoft Research hade till en början kontaktat UW-gruppen för att föreslå ett projekt som använder artificiell intelligens för att göra väderförutsägelser baserade på historiska data utan att förlita sig på fysiska lagar. Weyn gick en UW datavetenskapskurs i maskininlärning och bestämde sig för att ta itu med projektet.

"Efter att ha tränat på tidigare väderdata, A.I. algoritmen kan komma på samband mellan olika variabler som fysikekvationer helt enkelt inte kan göra, Weyn sa. "Vi har råd att använda mycket färre variabler och gör därför en modell som är mycket snabbare."

För att slå samman framgångsrika A.I. tekniker med väderprognoser, teamet kartlade sex ytor av en kub på planeten jorden, plattade sedan ut kubens sex ytor, som i en arkitektonisk pappersmodell. Författarna behandlade de polära ansiktena annorlunda på grund av deras unika roll i vädret som ett sätt att förbättra prognosens noggrannhet.

Författarna testade sedan sin modell genom att förutsäga den globala höjden av det 500 hektopascal trycket, en standardvariabel i väderprognoser, var 12:e timme under ett helt år. En färsk tidning, som inkluderade Weyn som medförfattare, introducerade WeatherBench som ett benchmarktest för datadrivna väderprognoser. På det prognostestet, utvecklad för tredagarsprognoser, den här nya modellen är en av de bästa resultaten.

Den datadrivna modellen skulle behöva mer detaljer innan den kunde börja konkurrera med befintliga driftsprognoser, författarna säger, men idén visar lovande som ett alternativt tillvägagångssätt för att generera väderprognoser, speciellt med en växande mängd tidigare prognoser och väderobservationer.