Исследователи Google DeepMind и Google Research совместными усилиями обучили модель искусственного интеллекта WeatherNext, которая, по их словам, даёт точные прогнозы по динамике циклонов. В проекте приняли активное участие американские и британские профильные организации.

Содержание статьи
- 1 Снято в Голливуде? Почему Стэнли Кубрик физически не смог бы подделать лунную походку
- 2 Сравнительный тест камер флагманских смартфонов (2026): итоги
- 3 Топ-10 смартфонов до 10 тысяч рублей (2026 год)
- 4 Обзор беззеркальной камеры Sony Alpha 7 V: эволюция с человеческим лицом
- 5 Лучший процессор под DDR4 в 2026 году: AM4 против LGA 1700
Снято в Голливуде? Почему Стэнли Кубрик физически не смог бы подделать лунную походку

Сравнительный тест камер флагманских смартфонов (2026): итоги

Топ-10 смартфонов до 10 тысяч рублей (2026 год)

Обзор беззеркальной камеры Sony Alpha 7 V: эволюция с человеческим лицом

Лучший процессор под DDR4 в 2026 году: AM4 против LGA 1700

Источник изображения: deepmind.google
Google опубликовала веса модели и исходный код необходимых для её работы программных компонентов на GitHub, чтобы учёные могли использовать её в своей работе. О сопутствующей проекту WeatherNext исследовательской работе авторы рассказали в статье для журнала Nature.
Тропические циклоны — ураганы и тайфуны, в зависимости от региона, — представляют собой уникальную проблему для задачи прогнозирования, потому что атмосферные течения в масштабе планеты традиционно эффективно анализируются с помощью грубых глобальных моделей. А интенсивность шторма лучше прогнозируется с помощью специализированных локальных моделей, способных оценивать термодинамические процессы в ядре циклона.
WeatherNext обучили более чем на 20 Тбайт глобальных данных об атмосфере и исторической информации — этот подход позволяет прогнозировать как траекторию, так и интенсивность циклона при помощи одной модели. «Теперь мы можем генерировать один прогноз на 15 дней менее чем за минуту на [ИИ-ускорителе Google] TPU, что даст синоптикам возможность быстро оценивать распределение вероятностей для потенциально разрушительных угроз», — написали исследователи WeatherNext.


