Исследователи провели эксперимент по адаптации искусственного интеллекта, предназначенного для прогнозирования погоды на Земле, к условиям другой планеты. В качестве отправной точки была выбрана GraphCast – графовая нейронная сеть, используемая для предсказания земных погодных явлений, и применена она к Марсу. Модифицированная версия получила наименование MarsCast. Несмотря на отсутствие дополнительной тренировки, модель продемонстрировала способность достаточно точно отражать текущее состояние атмосферы Красной планеты, однако впоследствии наблюдалась потеря динамики и неточность в воспроизведении суточных колебаний температуры.

Для адаптации использовался набор данных Mars Climate Database (MCD), содержащий глобальные параметры атмосферы Марса на различных высотах. В процессе обучения модели были учтены температура, горизонтальные и вертикальные ветры, а также солнечное излучение в верхней части атмосферы как ключевой фактор, влияющий на нагрев планеты. Показатель влажности был зафиксирован на постоянном уровне, что представляло собой упрощение: реальная относительная влажность на поверхности Марса большую часть времени суток не превышает 10%, хотя непосредственно перед восходом солнца может кратковременно достигать значений насыщения.

Процесс адаптации оказался эффективным: уже после десяти эпох обучения (полных циклов обработки обучающего набора данных) MarsCast начала воспроизводить достоверный суточный температурный цикл Марса. Для обучения использовались данные, охватывающие всего 30 дней и распределенные по марсианскому году. После 300 эпох модель достигла заметной стабильности, хотя процесс улучшения продолжался примерно до 1000 эпох. На прогнозах с горизонтом в 10 дней она воспроизводит сезонную и вертикальную структуру, а также характер изменений горизонтальных и вертикальных ветров. Точность предсказаний зависит от объема использованных данных и времени года, с которого начинается прогноз.

Заметная разница проявляется в требуемых вычислительных ресурсах: для создания 10-дневного прогноза с интервалом в 6 часов и разрешением 1° MarsCast требуется около 2 минут на одном графическом процессоре. В то же время, физическая модель атмосферы, обеспечивающая аналогичный прогноз, использует один центральный процессор в течение примерно 30 минут и работает с разрешением 5°. При этом модель GraphCast обрабатывает значительно больший объем информации за существенно меньшее время – в 25 раз быстрее. Снижение стоимости вычислений также открывает возможность запускать большее количество вариантов прогноза, то есть ансамблей, что может повысить точность оценки неопределенности.

Существует еще один важный момент: исходная база данных MCD имеет разрешение 3,75° × 5,625°, в то время как MarsCast работает с сеткой 1°. Для решения этой проблемы авторы сначала повысили разрешение исходных данных до 1° с помощью математического метода интерполяции, что позволило модели сформировать прогноз с более детализированной пространственной структурой.

В ходе анализа прогнозов, стартовавших в различные сезоны года, MarsCast демонстрировал типичные для Марса сезонные колебания, хотя точность постепенно снижалась с увеличением периода прогнозирования. По предварительным расчетам, качество результатов сохранялось как минимум на протяжении 96 часов.

Проведенное исследование указывает на то, что земные ИИ-модели, предназначенные для метеорологических прогнозов, способны адаптировать часть усвоенных закономерностей динамики атмосферы к другим планетам. Однако их применение на Марсе невозможно без соответствующей модификации: существенные различия в составе атмосферы, радиационном балансе и тепловой инерции требуют адаптации. В дальнейшем авторы планируют включить в модель перенос пыли и учитывать его влияние на радиацию, а также провести верификацию MarsCast с использованием данных, полученных от орбитальных аппаратов и наземных станций. В будущем подобные прогнозы могут быть использованы для оптимизации работы роботизированных миссий и будущих пилотируемых экспедиций, в частности, для оценки вероятности возникновения пылевых бурь.