Nachricht

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Kompilieren | Meng Qiang
Bearbeiten | Yunpeng

Intelligent Things berichtete am 24. Juli, dass Google am 23. Juli in Nature einen Artikel veröffentlichte, in dem das in Zusammenarbeit mit dem Europäischen Zentrum für mittelfristige Wettervorhersagen (ECMWF) entwickelte NeuralGCM-Atmosphärenmodell vorgestellt wurde. Dieses Modell kombiniert traditionelle, auf physikalischer Modellierung basierende Modelle mit Machine Lernen wird kombiniert, um die Genauigkeit und Effizienz von Modellen bei der Vorhersage von Wetter und Klima zu verbessern.

Das Papier zeigt, dass die Vorhersagegenauigkeit von NeuralGCM von 1 bis 15 Tagen mit der des ECMWF vergleichbar ist, das über das weltweit fortschrittlichste traditionelle physikalische Wettervorhersagemodell verfügt. Nach Hinzurechnung der Meeresoberflächentemperatur stimmen die 40-Jahres-Klimavorhersageergebnisse von NeuralGCM mit denen des ECMWF überein Daten: Die erhaltenen globalen Erwärmungstrends sind konsistent; NeuralGCM übertrifft auch bestehende Klimamodelle bei der Vorhersage von Wirbelstürmen und ihren Flugbahnen.

Es ist erwähnenswert, dass NeuralGCM auch in Bezug auf die Geschwindigkeit „weit vorne“ ist. Es kann 22,8 Tage atmosphärische Simulation in 30 Sekunden Berechnungszeit generieren und die Berechnungskosten sind 100.000 Mal niedriger als bei herkömmlichem GCM. Als erstes auf maschinellem Lernen basierendes Klimamodell hat NeuralGCM Wettervorhersage und Klimasimulation hinsichtlich Vorhersagegenauigkeit und Effizienz auf ein neues Niveau gehoben.

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

1. Maschinelles Lernen treibt die Transformation des Klimamodells voran

Die Erde erwärmt sich in einem beispiellosen Tempo und in den letzten Jahren kam es häufig zu extremen Wetterbedingungen. Die Weltorganisation für Meteorologie erklärte, dass 2023 das heißeste Jahr seit Beginn der Aufzeichnungen sein wird und 2024 möglicherweise noch heißer wird. Im Zusammenhang mit häufig auftretenden Extremwetterereignissen kommt der Klimavorhersage eine besondere Bedeutung zu.

Das General Circulation Model (GCM) ist die Grundlage für die Wetter- und Klimavorhersage und ein traditionelles Modell zur Simulation und Vorhersage der Erdatmosphäre und des Klimasystems auf physikalischer Grundlage. Durch die Simulation physikalischer Prozesse wie der Erdatmosphäre, der Ozeane, des Landes und der Eisschilde kann GCM langfristige Wetter- und Klimavorhersagen liefern. Obwohl herkömmliche Klimamodelle seit Jahrzehnten verbessert werden, weisen sie häufig Fehler und Verzerrungen auf, da die Wissenschaftler nicht vollständig verstehen, wie das Erdklima funktioniert und wie die Modelle aufgebaut sind.

Stephan Hoyer, ein leitender Ingenieur bei Google, sagte, dass die traditionelle GCM die Erde in Würfel unterteilt, die sich von der Oberfläche bis zur Atmosphäre erstrecken und deren Seitenlängen normalerweise 50 bis 100 Kilometer betragen, und auf dieser Grundlage Wetterveränderungen in jedem Würfel über einen bestimmten Zeitraum vorhersagt . Sie kommen zu ihren Vorhersagen, indem sie die dynamischen Veränderungen von Luft und Feuchtigkeit auf der Grundlage physikalischer Gesetze berechnen. Viele wichtige Klimaprozesse wie Wolkenbildung und Niederschlag variieren jedoch auf einer Skala von Millimetern bis Kilometern, die viel kleiner ist als die derzeit in GCMs verwendete Würfelgröße und daher physikalisch nicht genau berechnet werden kann.

Darüber hinaus fehlt den Wissenschaftlern ein vollständiges physikalisches Verständnis einiger Prozesse, beispielsweise der Entstehung von Wolken. Daher stützen sich diese traditionellen Modelle nicht ausschließlich auf physikalische Prinzipien, sondern verwenden vereinfachte Modelle, um Näherungen zur Parametrisierung der Wetterdynamik zu generieren. Dieser Ansatz verringert jedoch die Genauigkeit von GCMs.

Wie herkömmliche Modelle unterteilt NeuralGCM die Erdatmosphäre in Würfel und berechnet die physikalischen Eigenschaften großräumiger Veränderungsprozesse wie Luftbewegung und Wasserbewegung. Aber für kleinräumige Wetterdynamiken wie Wolkenbildung verwendet NeuralGCM keine traditionelle Parametrisierung, sondern nutzt neuronale Netze, um die physikalischen Eigenschaften dieser Wetterdynamiken aus vorhandenen Wetterdaten zu lernen.

Hoyer enthüllte, dass eine wesentliche Innovation von NeuralGCM darin besteht, dass Google einen numerischen Löser für groß angelegte Änderungsprozesse von Grund auf in JAX geschrieben hat, der es ermöglicht, das Modell „online“ mithilfe einer Gradienten-basierten Optimierung anzupassen. Ein weiterer Vorteil des Schreibens des gesamten Modells in JAX besteht darin, dass das Modell effizient auf TPUs und GPUs ausgeführt werden kann, während herkömmliche Klimamodelle meist auf CPUs ausgeführt werden.

2. Die Vorhersagegenauigkeit ist besser als beim aktuellen Modell nach dem neuesten Stand der Technik

Das Papier zeigt, dass die Leistung des deterministischen Modells von NeuralGCM (Ausgabe eines einzelnen deterministischen Vorhersageergebnisses) bei einer Auflösung von 0,7° mit den aktuellen Modellen auf dem neuesten Stand der Technik vergleichbar ist und die Genauigkeit der Wettervorhersage bis zu 5 Tage betragen kann.

Deterministische Modelle bilden die Vielfalt künftiger Zustände des Klimasystems möglicherweise nicht vollständig ab, da sie nur ein Vorhersageergebnis liefern. Daher werden in Klimavorhersagen Ensemblevorhersagen eingeführt, die eine Reihe möglicher Wetterszenarien auf der Grundlage leicht unterschiedlicher Anfangsbedingungen generieren Bei der Integration erzeugen Ensemblevorhersagen probabilistische Wettervorhersagen, die im Allgemeinen genauer sind als deterministische Vorhersagen. In dem Papier heißt es, dass das Ensemble-Vorhersagemodell von NeuralGCM mit einer Auflösung von 1,4° die aktuellen Modelle auf dem neuesten Stand der Technik hinsichtlich der Vorhersagegenauigkeit von 5 bis 15 Tagen übertrifft.

Darüber hinaus ist die Genauigkeit der Klimavorhersage von NeuralGCM für längere Zeiträume höher als bei den aktuellen Modellen auf dem neuesten Stand der Technik. Bei der Vorhersage der Temperaturen über den 40-Jahres-Zeitraum von 1980 bis 2020 wies das deterministische 2,8°-Modell von NeuralGCM einen durchschnittlichen Fehler von nur 0,25 Grad Celsius auf, ein Drittel des Fehlers des Atmospheric Model Intercomparison Project (AMIP).

3. Schließen Sie die atmosphärische Dynamiksimulation eines Jahres in 8 Minuten ab

Hoyer sagte, dass die Berechnungsgeschwindigkeit von NeuralGCM um mehrere Größenordnungen schneller sei als die von herkömmlichem GCM und auch die Berechnungskosten geringer seien. Das 1,4°-Modell von NeuralGCM ist mehr als 3.500 Mal schneller als das hochpräzise Klimamodell X-SHiELD. Mit anderen Worten: Die Forscher brauchten 20 Tage, um mit X-SHiELD ein Jahr atmosphärischer Dynamik zu simulieren, mit NeuralGCM jedoch nur 8 Minuten.

Darüber hinaus müssen Forscher Zugriff auf einen Supercomputer mit 13.000 CPUs anfordern, um X-SHiELD auszuführen, während für die Ausführung von NeuralGCM nur ein Computer mit einer einzigen TPU erforderlich ist. Hoyer sagte, der Rechenaufwand der Klimasimulation mit NeuralGCM sei hunderttausendmal so hoch wie der mit X-SHiELD.

Fazit: Auf dem Weg zu einem offeneren, schnelleren und effizienteren Klimavorhersagemodell

Das Google Research-Team hat den Quellcode und die Modellgewichte von NeuralGCM zur nichtkommerziellen Nutzung veröffentlicht. Hoyer sagte, Google hoffe, dass Forscher auf der ganzen Welt aktiv an der Erprobung und Verbesserung des Modells teilnehmen können. NeuralGCM kann auf einem Laptop ausgeführt werden, sodass hoffentlich mehr Klimaforscher das Modell bei ihrer Arbeit verwenden werden.

Derzeit simuliert NeuralGCM nur die Erdatmosphäre, Google hofft jedoch, in Zukunft auch andere Klimasysteme wie Ozeane und den Kohlenstoffkreislauf in das Modell einzubeziehen. Obwohl NeuralGCM noch kein vollständiges Klimamodell ist, liefert seine Entstehung neue Ideen für die Klimavorhersage. Wir gehen davon aus, dass KI die Genauigkeit und Geschwindigkeit der Klimavorhersage weiter verbessern wird.

Quelle: Google, Natur