A numerikus és matematikai modelleknél gyorsabb az AI
(2026 júmius)
A nagy numerikus és matematikai modelleknél – pl, a globális vagy regionális időjárás-előrejelzésnél – a szuperszámítógépes futtatási idő 1 és 3 óra között mozog egy-egy előrejelzési ciklusban. A számításnak le kell futnia maximum néhány óra alatt, különben az eredmény elavul, mire elkészül. Az előrejelzéshez szükséges idő és annak összetevői:
1. A hagyományos numerikus modellek futási ideje néhány óra, és naponta többször (általában 2-4 alkalommal) futtatják a szuperszámítógépeket. Egy globális, 10–15 napos előrejelzés elkészítése általában 60–120 percet vesz igénybe egy több ezer processzoros és grafikus kártyás szuperszámítógépen. A regionális (finom felbontású) modellek, melyek egy kisebb térségre (pl. Magyarország területére) fókuszáló, 48-72 órás előrejelzést számolnak – a kisebb terület miatt – kevesebb mint 30–60 perc alatt fut le. Mivel a légkör kaotikus, a szuperszámítógépek nem egy, hanem egyszerre 20–51 darab, enyhén módosított kiinduló állapotú szimulációt futtatnak párhuzamosan, ami megnöveli a számítási igényt, de a párhuzamos architektúrák miatt a futási idő még így is a kritikus 2-3 órás sávon belül marad.
2. A teljes munkafolyamat időigénye a tiszta számítógépes futásidő mellett függ az adatok beérkezésétől a térképek publikálásáig tart. Az adatbevitel (1-2 óra): a számítás megkezdése előtt be kell gyűjteni és rácsrpontokra kell bontani, rendezni a műholdak, meteorológiai ballonok, radarok és földi állomások millióitól érkező nyers adatokat. Az utófeldolgozás (10-30 perc), ekkor a modell nyers fizikai kimeneteit (nyomás, nedvesség, szél) vizualizálni kell, ábrákra, videókra bontani, a meteorológusok ellenőrzik vagy finomítják azokat a végfelhasználók számára.
3. A paradigma váltás történt az AI miatt: a gépi tanuláson alapuló időjárási modellek (pl. a Google WeatherNext, GraphCast, vagy az Aardvark Weather) átírták a szabályokat. Az AI-modellek betanítása ugyan hetekig tart a szuperszámítógépeken, de ha egyszer készen vannak, magát a globális előrejelzést pár másodperc, vagy 1-2 perc alatt elvégzik. Nem méregdrága szuperszámítógépen, hanem akár néhány nagyteljesítményű asztali grafikus kártyán (GPU) futtatva..
4. Vészhelyzet (havaria) előrejelzéseknél az AI hasznos tulajdonsága, hogy a nagy gépeken szimulált eseményekkel be lehet tanítani az AI-t a vészhelyzetek felismerésére, előrejelzésére, pl. fölgrengések, tengerárak, tűzvészek veszélyeire. (Az is előrejelzés, hogy az elkövetkezendő x évben y intenzitású esemény z valószínűséggel várható valahol.) Néha az AI felismer olyan mintázatokat, ősszefüggéseket, melyek a kutatók, és a modellek nem ismernek, és a valós időben jelzik, amikor az a pár óra is számít, ami a modell futtatásához szükséges.
Példa
A tengerparti régiók ki vannak téve a tengerszint-emelkedésnek és az erősödő viharhullámoknak, ezért szükséges a szélsőséges vízállások pontos, hosszú távú előrejelzése (https://agupubs.onlinelibrary.wiley.com/doi/10.1029/2025EF007072). A tanulmányban egy mesterséges intelligencia modellt fejlesztettek ki, amely pontosan emulálja a viharhullám-szimulációkat New York City számára, gyorsabb alternatívát kínálva a hagyományos fizikai alapú modellekhez viszonyítva. melyeknek a számítási ideje nagy. A mesterséges intelligencia előrejelzései a modell (GTSM) hidrodinamikai szimulációin alapulnak. A történelmi árvizek újraelemzésével, a nagy felbontású éghajlati előrejelzésekkel (CMIP6 HighResMIP) tanították. New York City egy rendkívül sérülékeny városi partvidékű, és kiterjedt hullámzási feljegyzésekkel rendelkezik, tesztvárosként kíváló. Egy új, aszimmetrikus veszteségfüggvényt javasolnak, amely a kvantilis és a várható veszteségeket kombinálja, ami jelentősen javítja a ritka viharlökés-események előrejelzéseinek pontosságát.
(A kvantilis a statisztikában egy olyan osztópont, amely a nagyság szerint sorba rendezett adathalmazt meghatározott arányban osztja ketté. A leggyakoribb kvantilis a medián, amely pontosan két egyenlő részre (50%-50%) osztja a mintát). Az AI-k tanítása nagy matematikai modellekkel
Gyakorlati megvalósítások is léteznek, amikor az AI-t nagy matematikai modellek, fizikai szimulációk és matematikai játékelméleti algoritmusok validált adataival tanítják összetett feladatok megoldására. A megközelítést a gépi tanulásban emulációnak (emulation), póttanításnak (surrogate modeling) vagy fizika-vezérelt gépi tanulásnak (Physics-Informed Machine Learning) nevezik.
1. Időjárás-előrejelzés (fizikai modellek emulációja): az AI alapú meteorológia legnagyobb áttörései ezen az elven alapulnak. Nem a nyers és kaotikus mérési adatokból indulnak ki, hanem évtizedek alatt felhalmozott, szigorú matematikai-fizikai egyenleteket (pl. Navier-Stokes egyenletek az áramlástanhoz) használó modellek validált eredményein tanulnak.
ERA5 adatsor: a vezető időjárási AI-kat a Középtávú Időjárás-előrejelzések Európai Központja (ECMWF) által kibocsátott ERA5 adathalmazon tanítják. Az adatbázis ötvözi a valós megfigyeléseket a hagyományos, numerikus fizikai modellek szimulációival (data assimilation). A Google DeepMind által fejlesztett GraphCast és WeatherNext, a Huawei-féle Pangu-Weather, vagy az NVIDIA FourCastNet modelljei: A hagyományos fizikai modellek futtatása szuperszámítógépeken órákig tart. Az AI viszont megtanulja a mintázatokat a szimulált adatokból másodpercek alatt, és képes a fizikai modellekkel megegyező vagy azokat meghaladó pontosságú előrejelzést adni, töredék számítási költséggel.
2. Bridzs kártyajáték: a bridzs azért nehéz az AI-nak, mert egy nem-teljes információs játék (nem látjuk a többiek lapját). Az AI rendszereket itt úgynevezett Double Dummy Solver (DDS) matematikai algoritmusok validált adataival tanítják. 2022-ben a francia Nook AI nevű rendszer nyolc bridzs-világbajnokot győzött le egy zárt körű versenyen. A DDS egy olyan matematikai algoritmus, amely „nyitott lapos” szituációban (mintha mindenki látná a másik lapját) képes kiszámítani a tökéletes lépéssorozatot. Mivel a valódi játékban ez nem lehetséges, a neurális hálózatokat több millió ilyen előre generált, tökéletesen lejátszott (validált) partin tanítják meg arra, hogy a rejtett információk ellenére felismerjék az optimális mintázatokat a licitálás és a lejátszás során.
3. Tarokk és más speciális kártyajátékok: a tarokk nemzetközileg kevésbé kutatott, mint a bridzs vagy a póker, de a játékelméleti megközelítése ugyanaz. Az olyan játékokhoz, mint a tarokk, a német Skat (amely hasonlít a tarokkhoz a licitálás, a talon, és a partnerek bizonytalansága tekintetében) a kutatók kártyaeloszlási valószínűségi modelleket és Monte-Carlo keresési algoritmusokat használnak. Az AI-t olyan szimulációkkal tanítják, ahol a matematikai modell előre lejátssza az összes lehetséges kártyaeloszlást, és az AI a mintázatok alapján megtanulja megbecsülni, mi a legvalószínűbb játék.
4. Sokismeretlenes problémák és mintázatfelismerés: amikor egy rendszer túl sok ismeretlent tartalmaz (pl. folyadékok áramlása, molekuláris kölcsönhatások, pénzügyi kockázatok), a hagyományos egyenletek megoldhatatlanná válnak. Itt az AI-t nagy matematikai modellek szintetikus adataival tanítják meg áthidalni a problémát. Fizika-vezérelt neurális hálók (PINN) esetén a neurális hálózat hibafüggvényébe (loss function) közvetlenül beépítik a matematikai egyenleteket (pl. tömeg- és energiamegmaradás törvényeit). Az AI így nem tud „fizikától idegen” hallucinációkat jósolni. pl. a turbulencia-modellezés: a repülőgép-tervezésnél a Navier-Stokes egyenletek pontos kiszámítása hetekig tartana. Az AI-t a legprecízebb matematikai szimulációk (DNS - Direct Numerical Simulation) adataival tanítják meg arra, hogy a kaotikus áramlási mintázatokból megbecsülje a végeredményt. Fehérjék 3D szerkezete: az ismeretlen térbeli formák meghatározásánál az AI a fizikai és kémiai kötési energiák matematikai modelljeit használja fel alapként, hogy a mintázatok alapján másodpercek alatt kitalálja a fehérjék 3D szerkezetét.
5. "Ritka" események előrejelzésére kevés adatból -pl. kevés az adat a vulkánokra, földrengésekre- , de vannak kéregmodellek. Alkalmas az AI kifejezetten a ritka események előrejelzésére a kéregmodellek (vagy fizikai modellek) alapján. A hagyományos gépi tanulás elbukik ott, ahol kevés a valós adat (mint a nagy földrengések vagy vulkánkitörések esetében). Ha nincs elég történelmi adat, amiből az AI tanulhatna, a kutatók a fizikai-matematikai és geológiai modellek által generált szintetikus (szimulált) adatokat használják fel a mesterséges intelligencia betanítására. Az AI az alábbi módszerekkel hidalja át a ritka események és a kevés adat problémáját:
1. Fizika-Vezérelt Neurális Hálózatok (PINN) a földrengéseknél: ahelyett, hogy az AI-ra bíznák a fizikai törvények felfedezését, a kutatók a meglévő kéregmodelleket (kőzetmechanikai, feszültség-felhalmozódási egyenleteket) beépítik az AI matematikai alapjaiba. Az AI
nem jósolhat akármit: a rendszer bünteti a modellt, ha olyan előrejelzést ad, ami sérti a fizika törvényeit (pl. a tömegmegmaradást vagy a kőzetek törési rugalmasságát). Mivel a fizikai keretrendszer stabil, az AI-nak sokkal kevesebb valós törésvonal-adatra van szüksége ahhoz, hogy felismerje a katasztrófát megelőző, speciális finom mintázatokat (pl. mikro-földrengések sorozata, apró talajdeformációk).
2. Szintetikus adatgenerálás (adatpótlás szimulációkkal): mivel az elmúlt 100 évben kevés Richter-skála szerinti 8-as feletti földrengés volt, a geofizikusok numerikus kéregmodellek segítségével több százezer évnyi "mesterséges" földrengést szimulálnak a szuper
számítógépeken. A szimulációk teljesen lefedik a kőzetlemezek mozgását és a feszültség alakulását. Az AI ezen a hatalmas, fizikailag validált, de virtuális adathalmazon tanulja meg a katasztrófák előjeleit.
mikor a valódi szenzorok (GPS, szeizmográfok) elkezdenek a szimulált mintázatokhoz hasonló jeleket mérni a valóságban, az AI képes időben jelezni a veszélyt, még akkor is, ha az adott törésvonalon emberemlékezet óta nem volt nagy rengés.
3. Anomália-detektálás, a "normálistól" való eltérés figyelése: a ritka események előrejelzésének egy másik hatékony AI-módszere, hogy nem a katasztrófát próbálják megtanítani a gépnek, hanem az egyhangú, normális háttérzajt. Vulkánok megfigyelése esetén, a vulkánok környezetében elhelyezett infravörös műholdak, gázszenzorok és szeizmográfok folyamatosan küldik az adatokat. Az AI megtanulja, milyen jeleket ad a vulkán "nyugalmi állapota" (beleértve a napi/évszakos ingadozásokat is). Ha a vulkán mélyén a magma megmozdul, az olyan minimális változásokat idéz elő a földrengés-mintázatokban vagy a gázkibocsátásban, amit az emberi szem zajnak lát. Az AI detektálja ezt, mint a normálistól eltérő anomáliát. Az AI + kéregmodellek kombinációja ma a geofizika legígéretesebb kutatási iránya. De pontos időpontot és helyszínt (pl. "holnap 14:00-kor földrengés lesz Tokióban") nem tud jósolni, mert a Föld kérge kaotikus rendszer. Arra már képes az AI, hogy a kéregmodellek alapján jelentősen pontosítsa a valószínűségeket (pl. megmondja, hogy egy adott régióban a feszültség szintje miatt a következő hetekben a kritikus szint hányszorosára ugrott a kockázat), vagy percekkel korábban jelezze a vulkánkitörést a gázösszetétel apró változásaiból.
Milyen laptop szükséges? A futtatható AI-ok száma és sebessége nagyban függ a laptop hardverétől. Processzor (CPU) és RAM: a szöveges AI-ok sok memóriát (RAM) igényelnek. Általában 16 GB, de inkább 32 GB RAM az ajánlott a komolyabb modellekhez.
Grafikus kártya (GPU): a képgeneráláshoz és nagyobb nyelvi modellekhez elengedhetetlen egy dedikált videokártya (pl. NVIDIA GeForce RTX 3060/4060 vagy újabb), megfelelő VRAM-mal.