ИИ научили прогнозировать погоду на Марсе: 10 дней расчёта за 2 минуты на одной GPU

Учёные проверили, можно ли адаптировать ИИ-модель прогнозирования погоды, обученную на атмосфере Земли, на другую планету. За основу взяли GraphCast — графовую нейросетевую модель для прогнозирования погоды на Земле — и применили её к Марсу. Получившуюся версию назвали MarsCast. Даже без дополнительного обучения модель смогла достаточно точно воспроизвести текущее состояние марсианской атмосферы, но быстро теряла динамику и не воспроизводила суточные изменения температуры.

Для адаптации использовали базу данных Mars Climate Database (MCD) с глобальными параметрами атмосферы Марса на разных высотах. Модель дообучали на температуре и горизонтальных и вертикальных ветрах, добавив солнечное излучение на верхней границе атмосферы как фактор, определяющий нагрев планеты. Влажность при этом оставили постоянной, что стало упрощением: реальная относительная влажность на поверхности Марса большую часть марсианских суток ниже 10%, но перед рассветом иногда кратковременно повышается вплоть до насыщения.

Изображение сгенерировано: Nano Banana

Результат оказался быстрым: уже после 10 эпох обучения (полных проходов по обучающей выборке) MarsCast начинает воспроизводить достоверный суточный цикл марсианской 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, а также характер изменений горизонтальных и вертикальных ветров. Качество зависит от объёма обучающих данных и времени года, с которого начинается прогноз.

Особенно заметна разница в вычислительных затратах. 10-дневный прогноз с шагом 6 часов при разрешении 1° MarsCast рассчитывает на 1 GPU примерно за 2 минуты. Физическая модель атмосферы для аналогичного прогноза использует 1 CPU около 30 минут и работает с разрешением 5°. При этом модель на основе GraphCast обрабатывает в 25 раз больше данных за существенно меньшее время. Более дешёвые расчёты также позволяют запускать больше вариантов прогноза — ансамблей, которые могут повысить надёжность оценки неопределённости.

Зависимость ошибок прогноза температуры MarsCast на уровне давления 700 Па от сезона за первые 96 часов прогноза. Строки соответствуют прогнозам, начатым при 4 значениях солнечной долготы Марса: Ls = 60°, 120°, 240° и 330°. Столбцы показывают горизонт прогноза — 24, 48, 72 и 96 часов. Цветом обозначена разница между температурой, рассчитанной MarsCast, и эталонными данными Mars Climate Database: отрицательные значения соответствуют заниженной температуре, положительные — завышенной. Источник: M.L. Carroll, J. Li, S.D. Guzewich, G.Villanueva, J.A. Caraballo-Vega, M.J. Frost

Есть и ещё одна особенность: исходная база данных MCD имеет собственное разрешение 3,75° × 5,625°, а MarsCast работает с сеткой 1°. Авторы сначала увеличили разрешение исходных данных до 1° с помощью математического метода оценки промежуточных значений, после чего модель смогла сформировать прогноз с более детальной пространственной структурой.

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.

Работа показывает, 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 авторы 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.