В Google Research добились такого результата, объединив классическую физическую модель с машинным обучением
Группа ученых из исследовательского центра Google Research под руководством Дмитрия Кочкова (Dmitrii Kochkov) разработала и обучили гибридную климатическую модель Neural Global Circulation Model — NeuralGCM. Модель может предсказывать погоду на период от одного до 15 дней, используя на три-пять порядков меньше вычислительного времени, чем классические физические модели. При этом она точно отражает вертикальную структуру геострофического и агеострофического ветров, смогла воспроизвести важные атмосферные явления (например, муссоны и ячейку Хэдли) и точно отразила потепление климата в сорокалетней симуляции. Описание модели и результаты ее обучения опубликованы в журнале Nature.
NeuralGCM сочетает в себе динамическое ядро с физическим модулем для решения уравнений и нейросеть, которая моделирует осадки, образование облаков и радиационный перенос, то есть объединяет подход классических физических моделей (таких, как ECMWF) и современных моделей на основе машинного обучения (таких, как GraphCast). По всем параметрам NeuralGCM показала более высокую точность, чем другие модели с машинным обучением, но несколько уступала физическим моделям. При этом она работала с горизонтальным разрешением, в 8-40 раз более грубым, чем ECMWF (не менее 0,7 градуса), что позволяло существенно экономить вычислительные мощности.
Огромное количество краски раскопали на самом раннем памятнике Сахула
Археологи описали огромное скопление переработанной охры, обнаруженной на древнейшей стоянке людей в Австралии — памятнике Маджедбебе. В ходе раскопок, которые проходили больше десяти лет назад, исследователи собрали почти шесть тысяч фрагментов краски, общая масса которых составляет больше 46 килограмм. Значительное количество этого объема происходило из культурного слоя, формирование которого, …