В ТГУ создан новый метод предсказания состояния атмосферы с помощью ИИ
В ходе работы выяснилось, что обучать нейросети «в лоб» на сырых метеоданных неэффективно. Атмосфера – динамическая система, и для точной реконструкции параметров ОВЯ искусственному интеллекту необходимо понимать взаимосвязи температур, влажности, давления и ветра на разных высотах. Чтобы решить эту задачу, ученые решили преобразовать 15-летний архив глобального климатического реанализа ERA5 (2009–2023 гг.) в компактные и физически содержательные цифровые коды – эмбеддинги.
Чтобы протестировать различные программные подходы для реализации своей идеи, ученые организовали конкурс по машинному обучению для поиска нестандартных студенческих ИИ-решений. Участникам предложили создать креативные нейросетевые архитектуры, способные эффективно сжать огромный массив пространственно-временной информации и извлечь скрытый контекст атмосферных процессов. При общей теме проекта каждый студент искал свой уникальный математический подход.
– Эта работа направлена на изучение аспектов применимости современных инструментов анализа больших данных в задачах лазерного зондирования атмосферы и ряда процессов и факторов, имеющих исключительно важное значение в решении задач экологического мониторинга, динамики и физики атмосферы, – поясняет старший научный сотрудник лаборатории анализа данных физики высоких энергий ФФ ТГУ Олеся Кучинская, курирующая направление ИИ, анализа больших данных и машинного обучения (ранее – участник проекта Atlas в ЦЕРН). – Чтобы корректно реконструировать параметры ОВЯ, ИИ должен учитывать «историю» – динамику изменения и сложные взаимосвязи метеовеличин во времени (температуры, влажности, давления, направления и скорости ветра) на разных изобарических уровнях.
Ученый ФФ ТГУ Олеся Кучинская
В фундаментальной физике ученые регулярно работают с огромными массивами данных. В ЦЕРН похожие алгоритмы применяются для поиска редких событий в экспериментах по столкновению элементарных частиц на ускорителях, а в исследовании атмосферы они позволяют выявлять скрытые физические паттерны.
– Проведенный конкурс – это не просто состязание ради дипломов, а полноценный инструмент решения сложной научной задачи, – отмечает один из организаторов конкурса, научный сотрудник ЛАДФВЭ ТГУ Максим Пензин. – Физика атмосферы требует нестандартных архитектурных решений, которые трудно найти в рамках одной привычной гипотезы. Организовав соревнование, мы смогли за короткий срок протестировать десятки конфигураций глубоких нейросетей, разработанных специально для анализа многомерных временных рядов метеорологических величин. Но главное, мы увидели, как студенты справляются с решением реальных прикладных задач, дающих готовый результат для нашего проекта.
Результаты состязания подтвердили эффективность формата. Лучшую архитектуру нейросети, продемонстрировавшую максимальную точность и качество извлечения эмбеддингов, предложил магистрант второго курса Института прикладной математики и компьютерных наук ТГУ Роман Останин. Его решение оказалось настолько успешным, что Роман уже сейчас присоединился к научной команде и занимается доработкой модели для ее практического внедрения.
Высокий уровень работы показали и другие финалисты ТГУ: Арина Зеркалова (ФИТ), Александр Язынин (ФТФ) и Константин Корженков (ММФ). Кроме того, задачи конкурса прошли успешную апробацию среди магистрантов Центрального университета (Москва) Кирилла Саввинова, Виктора Мартьянова и Сергея Бушнякова. По итогам общего рейтинга московские студенты решили продолжить работу над тематикой томских физиков: все они напишут свои выпускные квалификационные работы на базе этого проекта.
– Исследования ученых ТГУ в области машинного обучения и физики атмосферы уже получили высокую оценку, – отмечает проректор ТГУ по научной и инновационной деятельности Александр Замятин. – Проект поддержан двумя грантами – Российского научного фонда (РНФ) и мегагрантом Правительства РФ, а сама технология, создаваемая ЛАДФВЭ ТГУ вошла в топ-5 финалистов главной национальной премии по искусственному интеллекту и большим данным «Гравитация».
Работа выполняется при финансовой поддержке Российского научного фонда (№ 24-72-10127) и гранта Правительства Российской Федерации (№ 075-15-2025-009 от 28.02.2025).
Источник: Новости ТГУ