Nghiên cứu sinh tiến sĩ Nguyễn Tùng (Đại học California, Los Angeles, Mỹ) cùng các nhà nghiên cứu tại Phòng thí nghiệm Quốc gia Argonne thuộc Bộ Năng lượng Hoa Kỳ đã phát triển một mô hình trí tuệ nhân tạo (AI) mới, mang lại hiệu quả cao trong việc dự báo thời tiết từ các dữ liệu có độ phân giải thấp.

Ảnh minh họa. ITN

Việc dự báo thời tiết chính xác là rất quan trọng cho mọi khía cạnh của nền kinh tế, từ hàng không đến vận chuyển. Với biến đổi khí hậu ngày càng gia tăng, việc dự báo chính xác sẽ giúp chuẩn bị và phục hồi sau thiên tai và các hiện tượng thời tiết cực đoan, đồng thời cung cấp công cụ quan trọng để các nhà nghiên cứu hiểu rõ hơn về khí quyển.

Trước đây, các mô hình thời tiết chủ yếu dựa vào các phương trình nhiệt động lực học và động lực học chất lưu trong khí quyển. Tuy nhiên, những mô hình này cực kỳ tốn kém về mặt tính toán và thường yêu cầu sử dụng các siêu máy tính lớn. Các phương pháp số có chi phí tính toán cao do tính phức tạp của việc tích hợp hệ phương trình vi phân lớn, đặc biệt khi lập mô hình ở độ phân giải không gian và thời gian tốt. Ngoài ra, độ chính xác dự báo không cải thiện khi có nhiều dữ liệu hơn vì các mô hình dựa vào chuyên môn của các nhà khoa học khí hậu để tinh chỉnh các phương trình và thuật toán.

Các công ty tư nhân như Nvidia và Google đã bắt đầu phát triển các mô hình AI lớn, được gọi là mô hình nền tảng, để dự báo thời tiết. Gần đây, các nhà khoa học tại Phòng thí nghiệm Quốc gia Argonne đã hợp tác với nhà nghiên cứu Aditya Grover và nghiên cứu sinh Nguyễn Tùng tại Đại học California, Los Angeles, để nghiên cứu mô hình thay thế này. Trong một số trường hợp, mô hình này có thể đưa ra dự báo chính xác hơn các mô hình thời tiết số hiện có với chi phí tính toán thấp hơn.

Kết quả nghiên cứu đã được công bố trong bài báo "Scaling Transformers For Skillful And Reliable Medium-Range Weather Forecasting”, nghiên cứu sinh Nguyễn Tùng là tác giả chính. Bài báo đã nhận Giải thưởng Bài báo hay nhất tại hội thảo "Giải quyết vấn đề biến đổi khí hậu bằng học máy” tại Vienna, Áo vào tháng 5.

Một số mô hình của nhóm nghiên cứu đã chứng tỏ khả năng dự đoán vượt trội hơn các mô hình hiện tại trong thời gian hơn bảy ngày, mang lại những góc nhìn mới về thời tiết. Các nhà khoa học đã ngày càng quan tâm đến các phương pháp tiếp cận dựa trên học sâu để dự báo thời tiết. Ý tưởng chính là đào tạo mạng lưới thần kinh sâu để dự đoán điều kiện thời tiết trong tương lai bằng cách sử dụng dữ liệu lịch sử. Sau khi được đào tạo, các mô hình này có thể đưa ra dự báo trong vài giây, thay vì thời gian dài mà các mô hình truyền thống yêu cầu.

Nhóm nghiên cứu đã sử dụng kiến trúc đơn giản với công thức đào tạo phù hợp, bao gồm ba thành phần chính: (1) lớp nhúng dành riêng cho thời tiết để chuyển đổi dữ liệu đầu vào thành một chuỗi mã thông báo; (2) mục tiêu dự báo động lực học ngẫu nhiên giúp huấn luyện mô hình dự đoán động lực học thời tiết theo các khoảng thời gian ngẫu nhiên; (3) tổn thất theo trọng số áp suất thay đổi ở các mức áp suất khác nhau trong hàm tổn thất để xấp xỉ mật độ ở mỗi mức áp suất.

Các mô hình nền tảng được xây dựng dựa trên việc sử dụng "token” - những bit thông tin nhỏ mà thuật toán AI sử dụng để tìm hiểu vật lý điều khiển thời tiết. Đối với mô hình dự báo thời tiết mới, các token là các hình ảnh - các mảng biểu đồ mô tả độ ẩm, nhiệt độ và tốc độ gió ở các cấp độ khác nhau của khí quyển. Nhà khoa học máy tính Sandeep Madireddy của Argonne cho biết khi sử dụng các mảng hình ảnh này trong mô hình, có thể hiểu được vị trí tương đối của chúng và cách chúng tương tác.

Nhà khoa học khí quyển Rao Kotamarthi của Argonne cho biết nhóm có thể sử dụng dữ liệu có độ phân giải khá thấp và vẫn đưa ra dự đoán chính xác. Ông cho rằng với phương pháp mới này, có thể đạt được kết quả tương đương với các mô hình có độ phân giải cao hiện có ngay cả ở độ phân giải thô.

Trong khi việc dự báo thời tiết đáng tin cậy trong thời gian ngắn có thể trở thành mục tiêu khả thi trong tương lai gần với AI, thì việc sử dụng phương pháp tương tự cho mô hình khí hậu lại là một thách thức không nhỏ. Nhà khoa học môi trường Troy Arcomano tại Argonne cho biết một trong những lý do khiến cho việc lập mô hình khí hậu trở nên khó khăn là do khí hậu thay đổi theo thời gian thực. Với khí hậu, các số liệu thống kê về khí hậu đều thay đổi theo thời gian do lượng carbon bổ sung trong khí quyển, làm thay đổi "ngân sách” năng lượng của Trái đất.

Với siêu máy tính exascale mới của Argonne, Aurora, các nhà nghiên cứu có thể đào tạo một mô hình AI rất lớn có thể hoạt động ở độ phân giải rất cao. "Chúng tôi cần một máy exascale để thực sự có thể xây dựng một mô hình chi tiết với AI”, Kotamarthi cho biết.