Команда Манчестерского университета совместно с командой NVIDIA Earth-2 разработала модель на основе искусственного интеллекта для моделирования и прогнозирования загрязнения воздуха на территории Великобритании с пространственным разрешением от двух до трёх километров. Проект направлен на снижение высоких вычислительных затрат традиционных моделей, которые объединяют данные о погоде и химических взаимодействиях в атмосфере.
Работу возглавляет David Topping, профессор кафедры наук о Земле и окружающей среде Манчестерского университета. Команда использовала данные о загрязнении, полученные в результате химико-климатического моделирования и охватывающие полный год с почасовыми интервалами, а затем обучила модель Earth-2 CorrDiff для создания более подробных карт распределения загрязняющих веществ. Согласно NVIDIA, модель успешно прошла первую попытку обучения.
От химического моделирования к быстрому прогнозированию
Традиционные модели качества воздуха требуют интенсивных вычислений из-за включения атмосферной химии в погодные модели, что ограничивает уровень детализации и количество запусков. Команда Манчестера попыталась использовать разработанные NVIDIA генеративные ИИ-фреймворки для погоды и климата, чтобы работать с «полями» загрязнения вместо традиционного расчёта каждой реакции.
Для обучения использовался один узел с восемью графическими процессорами на британском суперкомпьютере Isambard-AI в Бристоле. Система включает 5 448 чипов NVIDIA GH200 Grace Hopper Superchip и, согласно заявленным данным, обеспечивает производительность 21 эксафлопс для задач искусственного интеллекта. Обучение заняло два дня, согласно опубликованному материалу.
Позднее команда добавила модель Earth-2 StormCast для создания временных прогнозов, напрямую использующих наблюдения за качеством воздуха. Исследователи также продемонстрировали процессы обучения и инференса на настольной системе NVIDIA DGX Spark, оснащённой чипом GB10 Grace Blackwell. По словам Topping, наличие устройства DGX Spark в его кабинете позволяет ему переобучать модели и проводить небольшие тренировки отдельно от суперкомпьютера.
Почему это развитие важно?
В материале говорится, что загрязнение воздуха стало причиной примерно 30 000 смертей в Великобритании в прошлом году, что придаёт совершенствованию прогнозов непосредственное значение для общественного здравоохранения. Медицинские службы могли бы использовать такие прогнозы, чтобы уведомлять пациентов с такими заболеваниями, как астма, о прогнозируемом повышении загрязнения в их районе завтра или в течение следующей недели.
Команда также испытывает подключение модели к периферийным устройствам искусственного интеллекта, которые получают измерения качества воздуха в реальном времени. Среди возможных применений — поддержка быстрых решений во время лесных пожаров, а также использование модели для моделирования последствий возможных изменений в государственной политике, связанной с загрязнением.
Что меняется на практике?
Главное изменение заключается в переходе от дорогостоящих централизованных запусков к модели, которую можно запускать, по крайней мере для инференса и некоторых тренировок, на настольном устройстве. Команда планирует повысить точность модели до уровня улиц за счёт интеграции дополнительных общедоступных данных, а также намерена опубликовать обучающие данные и рабочие процессы с открытым исходным кодом, чтобы другие страны и города могли создавать локальные модели на основе собственных данных.
Однако в материале не приводятся подробные количественные результаты точности прогнозирования по сравнению с традиционными химическими моделями, и пока не подтверждено функционирование медицинской службы или общедоступной системы оповещения, основанной на этой модели. Поэтому обещания, связанные с прогнозами в реальном времени и клиническими применениями, остаются целями на стадии изучения, а не уже доступными услугами. В настоящее время значимость проекта заключается в демонстрации возможности переноса фреймворков Earth-2 в область загрязнения воздуха и снижения порога доступа к инструментам моделирования; при этом независимая проверка, качество локальных данных и сроки публикации открытых ресурсов остаются вопросами, требующими ответов.