Вчені з Google Research під керівництвом Дмитра Кочкова створили гібридну кліматичну модель Neural Global Circulation Model (NeuralGCM), яка значно скорочує час обчислень для прогнозування погоди, поєднуючи класичну фізичну модель з машинним навчанням.
NeuralGCM використовує поєднання динамічного ядра з фізичним модулем, що розв’язує рівняння, та нейромережу, яка моделює опади, утворення хмар та радіаційне перенесення. Ця гібридна модель дозволяє передбачати погоду на період від одного до 15 днів з використанням на три-п’ять порядків менше обчислювального часу, ніж класичні фізичні моделі.
Модель NeuralGCM змогла точно відобразити вертикальну структуру геострофічного та агеострофічного вітрів, а також відтворити важливі атмосферні явища, такі як мусони і осередок Хедлі. Крім того, у сорокарічній симуляції вона точно відобразила потепління клімату. Ці результати були опубліковані в журналі Nature.
Порівняно з іншими моделями, що базуються на машинному навчанні, NeuralGCM показала вищу точність. Проте вона дещо поступалася класичним фізичним моделям, таким як ECMWF. Однак, завдяки горизонтальній роздільній здатності, яка в 8-40 разів грубіша, ніж у ECMWF (щонайменше 0,7 градуса), NeuralGCM дозволяє істотно економити обчислювальні потужності, що є значною перевагою для масштабних кліматичних симуляцій.