ИИ-модель MarsCast научили прогнозировать погоду на Марсе: 10-дневный прогноз за 2 минуты на одной GPU
Исследователи адаптировали графовую нейросетевую модель GraphCast, разработанную для прогнозирования погоды на Земле, к условиям Марса. Полученная версия получила название MarsCast. Даже без дополнительного обучения модель достаточно точно воспроизводила текущее состояние марсианской атмосферы, но быстро теряла динамику и не отражала суточные колебания температуры.
Для адаптации использовалась база данных Mars Climate Database (MCD), содержащая глобальные параметры атмосферы Марса на различных высотах. Модель дообучали на данных о температуре, горизонтальных и вертикальных ветрах, добавив в качестве фактора нагрева планет солнечное излучение на верхней границе атмосферы. Влажность оставили постоянной — это упрощение, так как реальная относительная влажность на поверхности Марса большую часть суток ниже 10%, но перед рассветом иногда кратковременно повышается до насыщения.
Результаты оказались впечатляющими: уже после 10 эпох обучения MarsCast начала воспроизводить достоверный суточный цикл температуры. Для обучения использовали данные всего за 30 дней, распределённые по марсианскому году. После 300 эпох модель заметно стабилизируется, но продолжает улучшаться примерно до 1000 эпох. На 10-дневных прогнозах она воспроизводит сезонную и вертикальную структуру атмосферы, а также характер изменений ветров.
Особенно заметна разница в вычислительных затратах. 10-дневный прогноз с шагом 6 часов при разрешении 1° MarsCast рассчитывает на одной GPU примерно за 2 минуты. Для сравнения, физическая модель атмосферы для аналогичного прогноза использует один CPU около 30 минут и работает с разрешением 5°. Таким образом, модель на основе GraphCast обрабатывает в 25 раз больше данных за существенно меньшее время.
Более дешёвые расчёты позволяют запускать больше вариантов прогноза — ансамблей, что повышает надёжность оценки неопределённости. При проверке прогнозов, начинавшихся в разные сезоны, MarsCast сохранял характерные для Марса сезонные изменения, хотя точность постепенно ухудшалась с увеличением горизонта прогноза. По предварительной оценке, результаты оставались качественными как минимум на 96 часов.
Авторы отмечают, что земные метеорологические ИИ-модели способны переносить часть выученной динамики атмосферы на другие планеты, но не могут просто работать на Марсе без адаптации: различия в составе атмосферы, радиационном балансе и тепловой инерции слишком велики. Следующим этапом они планируют добавить перенос пыли и её влияние на радиацию, а также проверить MarsCast по данным орбитальных аппаратов и наземных станций.
В перспективе такие прогнозы могут использоваться при планировании работы роботизированных и будущих пилотируемых миссий, в том числе для оценки риска пылевых бурь.
