uutiset

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Kirjoittaja |. Ma Xuewei

Toimittaja |

Esipuhe

Maailman meteorologisen järjestön (WMO) tiedot osoittavat, että viimeisten 50 vuoden aikana keskimäärin sää-, ilmasto- tai tulviin liittyvä katastrofi on tapahtunut päivittäin.Jokainen katastrofi aiheuttaa keskimäärin noin 115 kuolemaa ja noin 202 miljoonan dollarin taloudelliset menetykset.。

Vielä valitettavampaa on, että viime vuosina ihmisen toiminnan kiihdyttämä ilmastonmuutos on lisännyt äärimmäisiä sää- ja ilmastokatastrofeja, kuten helleaaltoja, kylmäaaltoja, rankkoja sateita ja kuivuutta.

siksi,Ajankohtaista ja tarkkaaEdistyksellinen sääennuste ja ilmastomallinnus voivat paitsi säästää kymmeniä tuhansia ihmishenkiä vuosittain, myös vähentää äärimmäisten sää- ja ilmastotapahtumien katastrofaalisia vaikutuksia ihmisyhteiskuntaan ja ekosysteemeihin.

nyt,Google Research -tutkimustiimin ja sen yhteistyökumppaneiden kehittämä tekoälymalli NeuralGCM vie sään ennustamisen ja ilmastosimuloinnin uudelle tasolle.——

• NeuralGCM:n 1-15 päivän ennusteen tarkkuus on verrattavissa Euroopan keskipitkän aikavälin sääennusteiden keskuksen (ECMWF) tarkkuustasoon, jolla on maailman edistynein perinteinen fyysinen sääennustemalli.

• 10 päivän ennusteen tarkkuuden vuoksi NeuralGCM toimii yhtä hyvin tai jopa paremmin kuin muut olemassa olevat tekoälymallit;

• Meren pinnan lämpötilan lisäämisen jälkeen NeuralGCM:n 40 vuoden ilmastoennustetulokset ovat yhdenmukaisia ​​ECMWF-tiedoissa havaitun ilmaston lämpenemistrendin kanssa;

• NeuralGCM ylittää myös olemassa olevat ilmastomallit syklonien ja niiden lentoratojen ennustamisessa.

On syytä mainita, että NeuralGCM ei vain saavuta tai jopa ylitä olemassa olevia numeerisia sääennustusmalleja ja muita koneoppimismalleja (ML) tarkkuuden suhteen, se on myös "paljon edellä" nopeuden suhteen ja sitä voidaan käyttääLuo 22,8 päivän ilmakehän simulaatio 30 sekunnissa laskentaajassaJa se voi säästää suuruusluokkaa enemmän laskelmia kuin perinteiset mallit.

Video |. NeuralGCM simuloi ilmakehää nopeammin kuin uusimmat fyysiset mallit ja tuottaa samalla ennusteita vastaavalla tarkkuudella. Tämä video vertailee NeuralGCM:n ja kahden fyysisen mallin, NOAA X-SHiELD ja NCAR CAM6, luomia ilmakehän simulaatiopäiviä 30 sekunnin laskentaajassa. Niistä NOAA X-SHiELD on korkearesoluutioinen (0,03°) fyysinen malli, joka on suoritettava supertietokoneessa tiedemiesten keskuudessa yleisemmin käytetty valinta. Vaikka NeuralGCM toimii pienemmällä resoluutiolla (1,4°), sen tarkkuus on verrattavissa korkeamman resoluution malleihin. (Lähde: Google Research)

Asiaa koskeva tutkimusartikkeli on nimeltään "Sään ja ilmaston hermoston yleiskiertomallit", ja se on julkaistu arvovaltaisessa tieteellisessä Nature-lehdessä.

Yhdessä nämä tulokset osoittavat, että NeuralGCM voi luoda deterministisiä sää-, sää- ja ilmastoennusteita, jotka osoittavat riittävän vakauden pitkän aikavälin sää- ja ilmastosimulaatioihin.

Tutkimusryhmä uskoo, että tämä päästä päähän syväoppiminen on yhteensopiva perinteisten yleisten kiertokulkumallien (GCM:t, jotka edustavat ilmakehän, valtamerten ja maan fyysisiä prosesseja ja ovat sää- ja ilmastoennusteiden perusta) suorittamien tehtävien kanssa. ja voi parantaa ymmärrystä ja laajamittaisia ​​fysiikan simulaatioita, jotka ovat kriittisiä Maan järjestelmien ennustamisessa.

Lisäksi NeuralGCM:n hybridimallinnuslähestymistapaa voidaan soveltaa myös muilla tieteenaloilla, kuten materiaalien löytämisessä, proteiinien laskostuksessa ja monifysiikan suunnittelussa.

Mikä on todellinen vaikutus?？

Pitkän aikavälin ennusteiden epävarmuuden vähentäminen ja äärimmäisten sääilmiöiden arvioiminen ovat avainasemassa ilmaston hillitsemisen ja siihen sopeutumisen ymmärtämisessä.

ML malliSitä on aina pidetty vaihtoehtoisena sääennusteena, jonka etuna on laskentatehokustannusten säästö, ja se on kuitenkin saavuttanut tai jopa ylittänyt ilmakehän kiertomallien tason deterministisen sääennusteen osalta.Pitkän aikavälin ennusteiden suorituskyky on usein huonompi kuin yleiset levikkimallit。

Tässä työssä tutkimusryhmä yhdisti koneoppimisen ja fyysiset menetelmät NeuralGCM:n suunnittelussa käyttämällä ML-komponentteja korvaamaan tai korjaamaan perinteistä GCM:n fyysistä parametrointijärjestelmää, joka koostuu seuraavista avainosista:

• Erotettava tehoydin : Tämä ydin vastaa diskretisoitujen dynaamisten yhtälöiden ratkaisemisesta ja suurten nesteen liikkeen ja termodynaamisten prosessien simuloinnista, joihin painovoima, Coriolis-voima ja muut tekijät vaikuttavat. Dynaaminen ydin käyttää vaakasuuntaista pseudospektristä diskretisointia ja pystysuoria sigmakoordinaatteja, ja se toteutetaan JAX-kirjaston avulla tukemaan automaattista erottelua. Se simuloi seitsemää ennustemuuttujaa: vaakasuora tuulen pyörteisyys, vaakasuuntainen tuulen divergentti, lämpötila, pintapaine ja kolme vesilajia (ominaiskosteus, jääpilven vesipitoisuus ja nestepilven vesipitoisuus).

• Fysiikan opiskelumoduuli : Tämä moduuli käyttää yhden sarakkeen lähestymistapaa GCM:ssä ja käyttää vain yhden ilmakehän sarakkeen tietoja ennustaakseen ratkaisemattomien prosessien vaikutukset kyseisessä sarakkeessa. Se käyttää täysin yhdistettyä neuroverkkoa, jossa on jäännösyhteyksiä, ja jakaa painot kaikkien ilmakehän sarakkeiden kesken. Neuraaliverkkoon syötetään ilmakehän sarakkeen ennustemuuttujat, tuleva auringon kokonaissäteily, merijääpitoisuus ja meren pinnan lämpötila sekä ennustemuuttujien vaakagradientit. Neuraaliverkon lähtö on ennustemuuttujan trendi, joka on skaalattu kohdekentän ehdottoman keskihajonnan mukaan.

• Enkooderit ja dekooderit : Koska ERA5-tiedot tallennetaan painekoordinaatteina, kun taas tehoydin käyttää sigma-koordinaattijärjestelmää, muuntamiseen tarvitaan koodereita ja dekoodeja. Nämä komponentit suorittavat lineaarisen interpoloinnin painetasojen ja sigmakoordinaattitasojen välillä, ja ne korjataan käyttämällä samaa hermoverkkoarkkitehtuuria kuin opittu fysiikkamoduuli. Kooderi eliminoi alustusshokin aiheuttamat painovoima-aallot, jolloin vältetään ennustetulosten saastuminen.

Kuva |. NeuralGCM-mallin arkkitehtuuri. NeuralGCM yhdistää perinteiset nestedynamiikan ratkaisijat hermoverkkoihin pienimuotoista fysiikkaa varten. Nämä komponentit kootaan differentiaaliyhtälön ratkaisijalla, joka vie järjestelmää peräkkäin eteenpäin ajassa. (Lähde: Google Research)

Tulokset osoittavat, että NeuralGCM:llä on vahvat kyvyt ennustaa säätä ja kilpailla uusimpien mallien kanssa erittäin lyhyellä, lyhyellä ja keskipitkällä aikavälillä. seuraavasti:

Erittäin lyhyen aikavälin ennuste (0-1 päivä)

• Yleistyskyky: GraphCastiin verrattuna NeuralGCM toimii paremmin harjoittamattomissa sääolosuhteissa, koska se käyttää paikallisia hermoverkkoja ennustamaan fyysisiä prosesseja ilmakehän pystysuorassa sarakkeessa.

Lyhyen aikavälin ennuste (1-10 päivää)

• Tarkkuus: NeuralGCM-0,7° ja GraphCast toimivat parhaiten lyhyen aikavälin 1–3 päivän ennusteissa, jotka seuraavat tarkasti sään muutoksia.

• Fyysinen johdonmukaisuus: Verrattuna muihin koneoppimismalleihin NeuralGCM:n ennusteet ovat selkeämpiä, jolloin vältetään fyysisesti epäjohdonmukaiset ja moniselitteiset ennusteet.

• Tulkittavuus: Kun diagnosoidaan sademäärä miinus haihtuminen, NeuralGCM:n tulokset ovat paremmin tulkittavissa ja helpottavat vesivarojen analysointia.

• Geostrofinen tuulitasapaino: NeuralGCM simuloi tarkemmin geostrofisten ja geostrofisten tuulien pystysuuntaista rakennetta ja niiden suhteita kuin GraphCast.

Keskipitkän aikavälin ennuste (7-15 päivää)

• Ensemble-ennuste: NeuralGCM-ENS:n kokonaiskeskimääräiset RMSE-, RMSB- ja CRPS-virheet 1,4°:n resoluutiolla ovat kaikki pienempiä kuin ECMWF-ENS:n, mikä osoittaa, että se pystyy kuvaamaan paremmin mahdollisen keskisäätilan.

• Kalibroitavuus: NeuralGCM-ENS:n ensemble-ennusteilla, kuten ECMWF-ENS:llä, poikkeama-taitosuhde on noin 1, mikä on välttämätön ehto ennusteiden kalibroinnille.

Lisäksi NeuralGCM on osoittanut erinomaisten sääennusteidensa lisäksi vahvoja kykyjä ilmastosimulaatiossa, kuten kausisyklin simulaatiossa, trooppisten syklonisimulaatiossa ja historiallisen lämpötilatrendin simuloinnissa. seuraavasti:

Kausisyklin simulointi

• Tarkkuus: NeuralGCM pystyy simuloimaan tarkasti vuodenaikojen jaksoja, mukaan lukien vuotuiset saostettavan veden ja globaalin kineettisen energian vuotuiset syklit sekä ilmakehän keskeisiä dynamiikkaa, kuten Hadleyn solua ja meridionaalista keskituulta.

• Vertailu globaaleihin pilvipohjaisiin malleihin: NeuralGCM:llä on pienemmät poikkeamat saostuvassa vedessä ja alhaisemmat lämpötilapoikkeamat tropiikissa kuin globaalissa pilviratkaisussa X-SHiELD-mallissa.

Trooppinen sykloni simulointi

• Jäljet ​​ja numerot: Jopa karkealla 1,4 asteen resoluutiolla NeuralGCM tuottaa trooppisten syklonien jälkiä ja numeroita, jotka ovat samanlaisia ​​kuin ERA5, kun taas globaali pilvenratkaisumalli X-SHiELD aliarvioi trooppisten syklonien määrän 1,4 asteen resoluutiolla.

Video｜NeuralGCM ennustaa globaalien trooppisten syklonien polun vuonna 2020. Ennustetulokset ovat yhdenmukaisia ​​kyseisen vuoden syklonien todellisen lukumäärän ja voimakkuuden kanssa, kuten ECMWF Reanalysis Version 5 (ERA5) -tietosarja osoittaa. (Lähde: Google Research)

Historiallinen lämpötilatrendin simulointi

• AMIP-simulaatiot: NeuralGCM-2.8° suoritti 40 vuoden AMIP-simulaatioita ja osoitti, että kaikki simulaatiot taltioivat tarkasti ERA5-tiedoissa havaitut ilmaston lämpenemistrendit ja että vuotuiset lämpötilatrendit korreloivat voimakkaasti ERA5-tietojen kanssa, mikä osoittaa, että NeuralGCM voi tehokkaasti simuloida vaikutusta SST pakottaa ilmastoon.

• Vertailu CMIP6-malliin: NeuralGCM-2.8°:lla on pienempi lämpötilapoikkeama vuosina 1981-2014 kuin CMIP6 AMIP-mallilla, mikä on pätevä myös sen jälkeen, kun globaali lämpötilapoikkeama on poistettu CMIP6 AMIP-mallista.

Kuva |. NeuralGCM:n tarkkuus ja kyky siepata ilmaston lämpeneminen vuosikymmenen mittakaavassa. NeuralGCM:n ja AMIP:n suorituskyvyn vertailu globaalin keskilämpötilan ennustamisessa vuosina 1980–2020. (Lähde: Google Research)

Vaikka NeuralGCM on osoittanut vahvoja kykyjä sään ja ilmaston ennustamisessa, seJoitakin rajoituksia on edelleen。

ensimmäinen,NeuralGCM:llä on rajallinen kyky ennustaa tulevaa ilmastoa . NeuralGCM ei tällä hetkellä pysty ennustamaan tulevia ilmastoja, jotka eroavat merkittävästi historiallisista ilmastoista. Kun merenpinnan lämpötila (SST) kohoaa paljon (esim. +4K), NeuralGCM:n vaste ei ole odotusten mukainen ja tapahtuu ilmaston ajautumista.

Toiseksi,NeuralGCM:llä ei ole riittävästi kykyä simuloida havaitsematonta ilmastoa . Muiden koneoppimisilmastomallien tapaan NeuralGCM:llä on myös haaste simuloida havaitsematonta ilmastoa, kuten tulevaa ilmastoa tai ilmastoa, joka poikkeaa suuresti historiallisista tiedoista. Tämä vaatii malleja, joilla on vahvempi yleistyskyky ja kehittyneempiä koulutusstrategioita, kuten kontradiktorista koulutusta tai meta-oppimista.

Sitten,NeuralGCM:llä on myös fyysisiä rajoitteita ja numeerisia vakausongelmia . Esimerkiksi NeuralGCM:n spektrijakauma on edelleen epämääräisempi kuin ECMWF:n fyysinen ennuste, ja trooppisten ääritapahtumien simulointi on aliarvioitu. Tämä vaatii lisätutkimusta ja mallin fyysisen prosessiparametrisoinnin ja numeeristen menetelmien parantamista mallin fyysisen yhtenäisyyden ja numeerisen stabiilisuuden parantamiseksi.

viimeinkin,Kytkennän puute muihin maajärjestelmän osiin . Tällä hetkellä NeuralGCM simuloi vain ilmakehän järjestelmää, kun taas ilmastojärjestelmä on monimutkainen vuorovaikutuksessa oleva järjestelmä, johon kuuluvat valtameret, maa, jää ja lumi sekä biosfääri. Kattavampien ilmastosimulaatioiden suorittamiseksi NeuralGCM on kytkettävä näihin komponentteihin ja otettava huomioon niiden välinen vuorovaikutus. Tämä edellyttää uusien malliarkkitehtuurien ja koulutusstrategioiden kehittämistä kytkeytyneiden monifysiikan simulaatioiden mahdollistamiseksi.

Tekoäly horjuttaa perinteisiä sääennusteita ja ilmastosimulaatioita

NeuralGCM ei ole "pioneeri" sääennusteissa ja ilmastosimulaatioissa。

Muutaman viime vuoden aikana teknologiayritykset ja yliopistot, mukaan lukien Huawei, Google ja Tsinghuan yliopisto, ovat edistyneet merkittävästi tähän suuntaan.

Heinäkuussa 2023, Huawei Cloudin kehittämäPangu-Weather malliNaturessa se käyttää harjoitustietona 39 vuoden maailmanlaajuista uudelleenanalyysiä. Sen ennustetarkkuus on verrattavissa maailman parhaaseen numeeriseen sääennustejärjestelmään, ja se on yli 10 000 kertaa nopeampi kuin IFS-järjestelmä samalla tilaresoluutiolla.

Toinen samaan aikaan Nature-lehdessä julkaistu artikkeli esiteltiinNowcastNet, joka tulee Kalifornian yliopiston Berkeleyn professorin Michael Jordanin ja Tsinghuan yliopiston professorin Wang Jianminin johtamasta tutkimusryhmästä. Tämä malli voi yhdistää fyysiset lait ja syvän oppimisen ennustamaan sademäärää reaaliajassa.

Marraskuussa 2023 Google DeepMind lanseerasi koneoppimiseen perustuvan sääennustusmallin.GraphCast , maailmanlaajuisella resoluutiolla 0,25°, malli voi ennustaa satoja säämuuttujia seuraaville 10 päivälle yhdessä minuutissa, mikä on huomattavasti paremmin kuin perinteiset sääennustusmenetelmät, ja samalla se toimii hyvin äärimmäisten tapahtumien ennustamisessa. Asiaankuuluvia tutkimuksia on julkaistu arvovaltaisessa tiedelehdessä Science.

Tämän vuoden maaliskuussa myös Googlen tutkimustiimin kehittämä tekoälymalli voitti edistyneimmän maailmanlaajuisen tulvavaroitusjärjestelmän. Se käytti koulutukseen 5 680 olemassa olevaa mittaria ja pystyi ennustamaan päivittäisen valumisen mittaamattomilla vesistöillä 7 päivän ennustejakson sisällä.

Nykyään tekoäly horjuttaa perinteisiä sääennusteita ja ilmastosimulaatioita. Tulevaisuudessa tekoäly nopeuttaa entisestään sääennusteiden nopeutta ja tarkkuutta, mikä hyödyttää koko ihmiskuntaa.

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

https://www.science.org/doi/10.1126/science.adi2336

https://www.nature.com/articles/s41586-024-07145-1

https://www.nature.com/articles/s41586-023-06185-3

https://www.nature.com/articles/s41586-023-06184-4

｜Klikkaa seurataksesi minua ja muista merkitä tähdellä｜