Belegung

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Neuer Weisheitsbericht

Herausgeber: Redaktion

[Einführung in die neue Weisheit] Google hat ein neues ML-basiertes atmosphärisches Zirkulationsmodell NeuralGCM vorgeschlagen, das im Vergleich zu herkömmlichen physikbasierten Modellen Berechnungen um mehrere Größenordnungen einspart und die Rechenkosten um das 100.000-fache reduziert, was 25 Jahren Fortschritt auf dem Gebiet der Hoch- Leistungsrechnen. Für Wettervorhersagen für 2–15 Tage ist diese Methode genauer als das physikalische SOTA-Modell.

Heute früh hat Google-CEO Pichai einen Beitrag auf X gepostet, in dem er verkündet, dass NeuralGCM einen großen Durchbruch auf dem Gebiet der Klimamodellierung erzielt hat!

„NeuralGCM kombiniert physikbasierte Modellierung mit künstlicher Intelligenz, um die Atmosphäre 100.000-mal effizienter als andere Modelle zu simulieren und Wissenschaftlern damit neue Werkzeuge zur Vorhersage des Klimawandels an die Hand zu geben.“

Dieses Forschungsergebnis wurde auch in Nature veröffentlicht. Der Großteil des Forschungsteams stammt von Google Research und DeepMind sowie Wissenschaftlern vom MIT, Harvard und ECMWF.

Papieradresse: https://www.nature.com/articles/s41586-024-07744-y

Das von Google entwickelte Modell namens NeuralGCM kann die Erdatmosphäre schnell, effizient und genau simulieren.

Seine Bedeutung besteht darin, Wissenschaftlern dabei zu helfen, genaue Vorhersagen über das Erdklima in einer Zeit zu treffen, in der sich die Erde in einem beispiellosen Tempo erwärmt.

In welchen Gebieten wird es bei steigenden globalen Temperaturen zu anhaltender Dürre kommen? Wo wird es häufiger zu Überschwemmungen an der Küste durch schwere tropische Stürme kommen? Wie wird sich die Waldbrandsaison ändern, wenn die Temperaturen steigen?

Angesichts dieser dringenden Probleme, die gelöst werden müssen, scheint das traditionelle physikbasierte General Circulation Model (GCM) angesichts langfristiger Wetter- und Klimasimulationen nicht ausreichend stabil zu sein.

NeuralGCM ist eine auf maschinellem Lernen basierende Methode, die traditionelle physikalische Modellierung kombiniert, um die Genauigkeit und Effizienz der Simulation erheblich zu verbessern.

Dieser Ansatz generiert Wettervorhersagen für zwei bis 15 Tage, die genauer sind als aktuelle, hochmoderne physikalische Modelle und die Temperaturen der letzten 40 Jahre genauer wiedergeben als herkömmliche Atmosphärenmodelle.

Es stellt einen wichtigen Schritt zur Entwicklung leistungsfähigerer und benutzerfreundlicherer Klimamodelle dar.

NeuralGCM simulierte das spezifische Feuchtigkeitsänderungsmuster vom 26. Dezember 2019 bis zum 8. Januar 2020

NeuralGCM verändert die Klimamodellierung

Obwohl sich traditionelle Klimamodelle in den letzten Jahrzehnten verbessert haben, weisen sie häufig Fehler und Verzerrungen auf, da die Wissenschaftler nicht vollständig verstehen, wie das Erdklima funktioniert und wie die Modelle aufgebaut sind.

Diese Modelle unterteilen den Raum von der Oberfläche bis zur Atmosphäre in Würfel mit einer Seitenlänge von 50 bis 100 Kilometern und sagen dann Wetteränderungen in jedem Würfel über einen bestimmten Zeitraum voraus.

Anschließend berechnet das Modell die Bewegung von Luft und Feuchtigkeit auf Basis allgemein anerkannter physikalischer Gesetze, die die Grundlage für die Wettervorhersage bilden.

Das Problem ist aber, dass der Maßstab von 50-100 Kilometern wirklich zu groß ist.

Viele wichtige Klimaprozesse, darunter Wolken und Niederschlag, variieren auf Skalen, die kleiner sind als die in aktuellen Modellen verwendeten Würfelgrößen (Millimeter bis Kilometer).

Darüber hinaus ist das physikalische Verständnis der Wissenschaftler für einige Prozesse, beispielsweise die Wolkenbildung, unvollständig.

Daher stützen sich diese traditionellen Modelle nicht nur auf Grundprinzipien, sondern verwenden auch vereinfachte Modelle, um Näherungen, sogenannte „Parametrisierungen“, zu generieren, um kleinräumige und wenig verstandene Prozesse zu simulieren.

Diese vereinfachten Näherungen verringern zwangsläufig die Genauigkeit physikalisch basierter Klimamodelle.

Wie löst NeuralGCM dieses Problem?

Wie traditionelle Modelle unterteilt NeuralGCM immer noch die Erdatmosphäre in Würfel und berechnet die Physik großräumiger Prozesse wie Luft- und Wasserbewegungen.

Der Unterschied besteht darin, dass NeuralGCM nicht mehr auf von Wissenschaftlern entwickelte „parametrische“ Näherungen zur Simulation kleinräumiger Wetteränderungen beruht, sondern neuronale Netze verwendet, um die physikalischen Prinzipien dieser Ereignisse aus vorhandenen Wetterdaten zu lernen.

Eine wesentliche Neuerung von NeuralGCM besteht darin, dass der numerische Löser für groß angelegte Prozesse in JAX von Grund auf neu geschrieben wurde.

Dies ermöglicht es Forschern, das „Online“-Verhalten gekoppelter Systeme über mehrere Zeitschritte hinweg mithilfe einer Gradientenoptimierung anzupassen.

Im Gegensatz dazu stießen frühere Versuche, maschinelles Lernen zur Verbesserung von Klimamodellen einzusetzen, auf erhebliche Schwierigkeiten mit der numerischen Stabilität, da sie ein „Offline“-Training verwenden, das die Unterschiede zwischen kleinen und großen Prozessen, die sich im Laufe der Zeit ansammeln, ignoriert.

Ein weiterer Vorteil des Schreibens des gesamten Modells in JAX besteht darin, dass es effizient auf TPUs und GPUs läuft, während herkömmliche Klimamodelle meist auf CPUs laufen.

NeuralGCM kombiniert traditionelle Fluiddynamiklöser und neuronale Netze für die Physik im kleinen Maßstab. Diese Komponenten werden durch einen Differentialgleichungslöser zusammengeführt, um das System chronologisch voranzutreiben.

Das Google-Team nutzte ECMWF-Wetterdaten von 1979 bis 2019, um eine Reihe von NeuralGCM-Modellen mit Auflösungen von 0,7°, 1,4° und 2,8° zu trainieren.

Obwohl NeuralGCM auf der Grundlage von Wettervorhersagedaten trainiert wird, hat das Team NeuralGCM als allgemeines Atmosphärenmodell konzipiert.

Genaue Wettervorhersagen und Klimavorhersagen

Aktuelle Modelle des maschinellen Lernens (ML) der Erdatmosphäre, darunter GraphCast von Google DeepMind, haben eine revolutionäre Genauigkeit bei Wettervorhersagen bewiesen.

Bisher konzentrierte sich die Forschung zu ML-Vorhersagen hauptsächlich auf kurzfristige Vorhersagen, die weit von den Jahren bis Jahrzehnten entfernt sind, die für Klimavorhersagen erforderlich sind.

Da es schwierig ist, Klimavorhersagen über mehrere Jahrzehnte zuverlässig zu verifizieren, bewertete das Google-Team die Leistung von NeuralGCM bei Klimavorhersagen und als Wettermodell anhand des etablierten WeatherBench 2-Benchmarks.

Das deterministische Modell von NeuralGCM mit einer Auflösung von 0,7° ist hinsichtlich der Genauigkeit der Wettervorhersage mit den aktuellen Modellen auf dem neuesten Stand der Technik vergleichbar, und die Genauigkeit der Wettervorhersage kann bis zu 5 Tage betragen.

Deterministischen Modellen fehlt jedoch die quantitative Unsicherheit, die erforderlich ist, um brauchbare Prognosen über lange Vorlaufzeiten zu erstellen.

Vorhersageensembles werden aus leicht unterschiedlichen Startbedingungen generiert, um eine Reihe gleich wahrscheinlicher Wetterbedingungen zu erzeugen. Diese Ensembles erzeugen probabilistische Wettervorhersagen, die im Allgemeinen genauer sind als deterministische Vorhersagen.

Das Ensemblemodell von NeuralGCM mit einer Auflösung von 1,4° übertrifft das vorherige SOTA hinsichtlich der Vorhersagegenauigkeit von 5 bis 15 Tagen.

Diese Leistungsverbesserung ist auf die Tatsache zurückzuführen, dass NeuralGCM Ensemble-Wettervorhersagen generiert, die mit dem physikbasierten SOTA-Modell ECMWF-ENS des ECMWF vergleichbar sind.

Unter den veröffentlichten ML-Modellen ist NeuralGCM das erste, das dies tut.

Die Ensemblevorhersagen von NeuralGCM sind in 95 % der Fälle genauer als ECMWF-ENS, und zwar über einen Zeitraum von 2 bis 15 Tagen.

NeuralGCM übertrifft auch modernste Atmosphärenmodelle bei Klimazeitskalenvorhersagen.

Da NeuralGCM nur die atmosphärische Komponente des Erdklimas simuliert, verglich das Google-Team seine Leistung mit physikbasierten Atmosphärenmodellen.

Bei der Vorhersage der Temperaturen zwischen 1980 und 2020 beträgt der durchschnittliche Fehler des deterministischen 2,8°-Modells von NeuralGCM ein Drittel des Fehlers des Atmosphärenmodells (AMIP) oder 0,25 gegenüber 0,75 Grad Celsius.

Vergleich der Leistung von NeuralGCM und AMIP bei der Vorhersage der globalen Durchschnittstemperatur von 1000 hPa zwischen 1980 und 2020

Da traditionelle Atmosphärenmodelle Schwierigkeiten haben, bestimmte Aspekte der Erdatmosphäre zu simulieren, verwenden Klimaforscher manchmal Modelle mit höherer Auflösung wie X-SHiELD, die zwar genauer, aber rechenintensiver sind.

Im Vergleich zu X-SHiELD erzielte das deterministische 1,4°-Modell von NeuralGCM 15–50 % weniger Fehler bei der Vorhersage der von der National Oceanic and Atmospheric Administration (NOAA) bereitgestellten Feuchtigkeits- und Temperaturdaten für 2020.

Während der Klimasimulation 2020 sagte NeuralGCM auch Muster tropischer Wirbelstürme voraus, die der Anzahl und Intensität der in diesem Jahr in derselben Region beobachteten Stürme entsprachen.

NeuralGCM ist das erste auf maschinellem Lernen basierende Modell, das in der Lage ist, solche Muster zu erzeugen.

NeuralGCM prognostiziert die weltweite Entwicklung tropischer Wirbelstürme im Jahr 2020 (die vorhergesagten Sturmzahlen und -intensitäten stimmen mit den tatsächlichen Zyklonzahlen und -intensitäten überein, die im ECMWF Reanalysis v5 (ERA5)-Datensatz aufgezeichnet wurden).

Offen, schnell und effizient

NeuralGCM ist in Bezug auf Rechengeschwindigkeit und Kosten um Größenordnungen schneller als herkömmliche physikbasierte Klimamodelle.

Sein 1,4°-Modell ist mehr als 3.500-mal schneller als X-SHiELD. Wenn Forscher also mit X-SHiELD die Atmosphäre eines Jahres simulieren würden, würde dies 20 Tage dauern, verglichen mit nur 8 Minuten mit NeuralGCM.

Darüber hinaus benötigen Wissenschaftler nur einen Computer mit einer einzigen TPU (Tensor Processing Unit), um NeuralGCM auszuführen, während der Betrieb von X-SHiELD den Einsatz eines Supercomputers mit 13.000 CPUs (Central Processing Units) erfordert.

Insgesamt sind die Rechenkosten der Klimasimulation mit NeuralGCM 100.000-mal niedriger als die von X-SHiELD, was 25 Jahren Fortschritt im Hochleistungsrechnen entspricht.

NeuralGCM simuliert die Atmosphäre schneller als modernste physikalische Modelle und generiert gleichzeitig Vorhersagen mit der gleichen Genauigkeit

In diesem Diagramm konkurriert NeuralGCM mit den beiden physikalischen Modellen NCAR CAM und NOAA X-SHiELD und vergleicht die Anzahl der atmosphärischen Simulationstage, die sie in 30 Sekunden Berechnungszeit generieren.

Die drei Modelle laufen mit unterschiedlichen Auflösungen, wobei X-SHiELD die höchste Auflösung (0,03°), NCAR CAM6 eine Auflösung von 1,0° und NeuralGCM die niedrigste Auflösung (1,4°) aufweist.

Es ist erwähnenswert, dass NeuralGCM zwar mit niedriger Auflösung läuft, seine Genauigkeit jedoch mit hochauflösenden Modellen vergleichbar ist.

Dann ist mit vergleichbarer Genauigkeit ersichtlich, dass NeuralGCM 22,8 Tage Atmosphärensimulation in 30 Sekunden generieren kann, während X-SHiELD als hochauflösendes physikalisches Modell, das auf einem Supercomputer ausgeführt werden muss, nur 9 Tage lang generiert werden kann Protokoll!

Dadurch entfallen auch die Vorteile von NCAR CAM6, das früher aufgrund seines geringen Rechenaufwands von Forschern bevorzugt wurde.

Das Google-Team hat den Quellcode und die Modellgewichte von NeuralGCM auf GitHub zur nichtkommerziellen Nutzung offengelegt. Sie hoffen, dass andere Forscher problemlos neue Komponenten hinzufügen können, um Hypothesen zu testen und die Modellfunktionalität zu verbessern.

Da NeuralGCM außerdem auf einem Laptop ausgeführt werden kann und nicht die Unterstützung eines Supercomputers erfordert, können mehr Klimaforscher dieses hochmoderne Modell in ihrer Arbeit nutzen.

Schlussfolgerungen und zukünftige Richtungen

NeuralGCM modelliert derzeit nur die Erdatmosphäre, aber das Google-Team hofft, irgendwann auch andere Aspekte des Klimasystems der Erde, wie Ozeane und den Kohlenstoffkreislauf, in das Modell einbeziehen zu können.

Auf diese Weise wird NeuralGCM in der Lage sein, Vorhersagen auf längeren Zeitskalen zu treffen und dabei nicht nur das Wetter über Tage und Wochen, sondern auch Klimazeitskalen vorherzusagen.

Alles in allem schlägt NeuralGCM eine neue Möglichkeit vor, Klimamodelle zu erstellen, die möglicherweise schneller, weniger rechenintensiv und genauer sind als bestehende Modelle.

Verweise:

https://www.nature.com/articles/s41586-024-07744-y

https://research.google/blog/fast-accurate-climate-modeling-with-neuralgcm/

https://x.com/sundarpichai/status/1815512751793721649