Машинное обучение против климата: Михаил Криницкий о будущем ИИ в прогнозировании атмосферы и океана

Научное сообщество все чаще обращает внимание на то, как технологии искусственного интеллекта могут изменить климатологию и смежные дисциплины. Во время дебютного заседания научного клуба «Разговоры за науку на Климентовском», прошедшего 26 июня в МФТИ, один из докладчиков рассказал, как слабый и генеративный ИИ постепенно интегрируются в сферу климатического моделирования, ускоряя исследования и открывая путь к качественно новым прогнозам.

От нейросетей к климату: зачем ИИ в науках о Земле

В применении ИИ следует различать два направления, как отметил в начале своего доклада Михаил Алексеевич Криницкий, ведущий специалист Лаборатории суперкомпьютерного моделирования природно-климатических процессов, научный сотрудник Института океанологии, кандидат технических наук, сразу разграничил два направления применения ИИ. С одной стороны — прикладные инженерные задачи: ускорение обработки океанологических и атмосферных данных, детекция вихрей в океане, распознавание объектов на спутниковых снимках, автоматический анализ радиолокационных изображений волн и ветров. Эти задачи уже успешно решаются с помощью простых искусственных нейросетей, которые позволяют сократить время исследований в десятки раз. Например, анализ данных за 25 лет, который человек выполнял бы неделями, ИИ проводит за несколько минут.

С другой стороны — фундаментальные исследования. Именно здесь, по мнению Михаила Криницкого, разворачивается настоящая научная революция. Речь идет о создании универсальных моделей, которые могли бы не просто обрабатывать данные, а «понимать» физику атмосферы и океана, впитывая ее из наблюдений и симуляций.

Климатическая модель нового поколения

Современное климатическое моделирование, как объяснил ученый, требует колоссальных вычислительных ресурсов. Каждая симуляция атмосферы или океана, особенно в высоком разрешении, — это месяцы расчетов на суперкомпьютерах. Однако нейросети открывают путь к радикальному сокращению этих затрат. Например, по аналогии с увеличением четкости фотографии ИИ может повысить пространственное разрешение климатических данных, «достраивая» мелкие детали на основе обучающего набора.

Лаборатория Михаила Криницкого, как и несколько зарубежных команд, работает над созданием так называемой «фундаментальной модели» океана и атмосферы. Это не просто набор алгоритмов, а гибкий вычислительный инструмент, который может решать множество задач: от краткосрочного прогноза погоды до статистической коррекции уже полученных результатов. Пока такие модели есть у США, Европы и Китая. Россия в этом списке отсутствует, но ученый выразил уверенность, что в течение ближайших двух лет будет создана отечественная фундаментальная модель.

Будут ли нейросети незаменимы для климатологов?

«Искусственный интеллект, о котором говорят в прессе, — отметил докладчик, — это не то же самое, что используется в научных лабораториях. Здесь нет ничего мистического — только статистика, математика и физика».

Для успешной работы моделей требуются либо качественно размеченные обучающие данные, либо корректные физические принципы, встроенные в саму архитектуру ИИ.

Поэтому ключевая задача, которая стоит перед разработчиками, — научить модель не просто воспроизводить данные, а выучить физику, заложенную в природе. Это особенно важно, потому что традиционные ИИ-системы нуждаются в огромных объемах парных данных (вход-выход), которые в климатических исследованиях собрать крайне трудно. Генеративные нейросети нового поколения способны преодолевать это ограничение, если они обучаются на корректной физике, закодированной в моделях или симуляциях.

Примеры уже работающих решений включают улучшение температурных прогнозов внутри городов (так называемый «городской остров тепла»), точную реконструкцию ветрового поля в Красном и Балтийском морях, а также ускоренное моделирование ветрового волнения на морских радарах. Все эти задачи еще недавно требовали участия опытных специалистов и занимали недели ручной работы.

Что дальше?

Михаил Криницкий убежден: за машинным обучением — будущее климатологии, особенно в условиях растущей сложности прогнозов и острой нехватки вычислительных ресурсов. Российские ученые, по его словам, пока отстают, но активно догоняют: создаются новые лаборатории, собираются базы данных, разрабатываются высокоразрешенные симуляции. Уже сегодня ИИ способен ускорить исследование в десятки раз, а в перспективе — полностью изменить подход к прогнозированию океана, атмосферы и климата. Как заключил ученый, "мы входим в эпоху, когда нейросеть может не только обрабатывать данные, но и понимать законы природы. Главное — заложить в нее правильные принципы и не бояться экспериментировать".

Изображение: фрипик