uutiset

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Älykkäät asiat (julkinen tili:zhidxcom）
Kokoanut Meng Qiang
Toimittaja Yunpeng

Älykkäät asiat raportoivat 24. heinäkuuta, että Google julkaisi Naturessa 23. heinäkuuta artikkelin, jossa esiteltiin yhteistyössä European Center for Medium-Range Weather Forecasts (ECMWF) kanssa kehitetty NeuralGCM-ilmakehämalli. Tämä malli yhdistää perinteiset fyysiseen mallinnukseen perustuvat mallit koneeseen oppimista yhdistetään parantamaan mallien tarkkuutta ja tehokkuutta sään ja ilmaston ennustamisessa.

Paperi osoittaa, että NeuralGCM:n ennustetarkkuus 1–15 päivää on verrattavissa ECMWF:n tarkkuuteen, jolla on maailman edistynein perinteinen fyysinen sääennustemalli merenpinnan lämpötilan lisäämisen jälkeen. NeuralGCM:n 40 vuoden ilmastoennusteet ovat yhdenmukaisia ​​ECMWF:n tulosten kanssa. tiedot Saadut ilmaston lämpenemistrendit ovat johdonmukaisia.

On syytä mainita, että NeuralGCM on myös "paljon edellä" nopeuden suhteen Se voi tuottaa 22,8 päivää ilmakehän simulaatiota 30 sekunnissa ja laskentakustannukset ovat 100 000 kertaa pienemmät kuin perinteisellä GCM:llä. Ensimmäisenä koneoppimiseen perustuvana ilmastomallina NeuralGCM on nostanut sääennusteen ja ilmastosimuloinnin uudelle tasolle ennustetarkkuuden ja tehokkuuden osalta.

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

1. Koneoppiminen ajaa ilmastomallin muutosta

Maapallo lämpenee ennennäkemättömällä nopeudella, ja äärimmäisiä sääolosuhteita on esiintynyt usein viime vuosina Maailman ilmatieteen järjestön mukaan vuodesta 2023 tulee ennätysten kuumin vuosi ja 2024 saattaa olla vielä kuumempi. Toistuvien äärimmäisten sääolosuhteiden yhteydessä ilmaston ennustamisen merkitys on erityisen tärkeä.

General Circulation Model (GCM) on sään ja ilmaston ennustamisen perusta, ja se on perinteinen malli, jota käytetään simuloimaan ja ennustamaan Maan ilmakehää ja ilmastojärjestelmää fysiikkaan perustuen. Simuloimalla fyysisiä prosesseja, kuten maapallon ilmakehää, valtameriä, maata ja jäälevyjä, GCM voi tarjota pitkän aikavälin sää- ja ilmastoennusteita. Vaikka perinteiset ilmastomallit ovat parantuneet vuosikymmeniä, ne kärsivät usein virheistä ja harhoista, jotka johtuvat tutkijoiden epätäydellisestä ymmärryksestä siitä, miten maapallon ilmasto toimii ja miten mallit rakennetaan.

Googlen vanhempi insinööri Stephan Hoyer sanoi, että perinteinen GCM jakaa maan pinnalta ilmakehään ulottuviksi kuutioiksi, joiden sivujen pituus on yleensä 50-100 kilometriä, ja tämän perusteella ennustaa sään muutoksia kussakin kuutiossa tietyn ajanjakson aikana. . He päätyvät ennusteisiinsa laskemalla ilman ja kosteuden dynaamisia muutoksia fysiikan lakien perusteella. Mutta monet tärkeät ilmastoprosessit, kuten pilvien muodostuminen ja sademäärä, vaihtelevat millimetreistä kilometreihin, mikä on paljon pienempi kuin GCM:issä tällä hetkellä käytetty kuution koko, eikä sitä siksi voida laskea tarkasti fysiikan perusteella.

Lisäksi tutkijoilla ei ole täydellistä fyysistä ymmärrystä joistakin prosesseista, kuten pilvien muodostumisesta. Siksi nämä perinteiset mallit eivät luota täysin fyysisiin periaatteisiin, vaan käyttävät yksinkertaistettuja malleja likiarvojen luomiseen säädynamiikan parametroimiseksi, mutta tämä lähestymistapa heikentää GCM:ien tarkkuutta.

Perinteisten mallien tapaan NeuralGCM jakaa Maan ilmakehän kuutioiksi ja laskee suuren mittakaavan muuttuvien prosessien, kuten ilman ja veden liikkeen, fysikaaliset ominaisuudet. Mutta pienimuotoisessa säädynamiikassa, kuten pilvien muodostumisessa, NeuralGCM ei käytä perinteistä parametrointia, vaan käyttää hermoverkkoja oppiakseen näiden säädynamiikan fyysiset ominaisuudet olemassa olevista säätiedoista.

Hoyer paljasti, että NeuralGCM:n keskeinen innovaatio on se, että Google kirjoitti alusta alkaen JAX:iin numeerisen ratkaisijan laajamittaisia ​​muutosprosesseja varten, mikä mahdollistaa mallin säätämisen "online-tilassa" gradienttipohjaisen optimoinnin avulla. Toinen etu koko mallin kirjoittamisesta JAX:iin on, että malli toimii tehokkaasti TPU:illa ja GPU:illa, kun taas perinteiset ilmastomallit toimivat enimmäkseen CPU:illa.

2. Ennustetarkkuus on parempi kuin nykyinen huippumalli

Paperi osoittaa, että NeuralGCM:n deterministisen mallin suorituskyky (jota tuottaa yhden, deterministisen ennustetuloksen) 0,7°:n resoluutiolla on verrattavissa nykyisiin huippuluokan malleihin, ja sääennusteen tarkkuus voi olla 5 päivää.

Deterministiset mallit eivät välttämättä edusta täysin ilmastojärjestelmän tulevien tilojen monimuotoisuutta, koska ne tarjoavat vain yhden ennustetuloksen. Siksi ilmastoennusteissa otetaan käyttöön sarja mahdollisia sääskenaarioita, jotka perustuvat hieman erilaisiin alkuolosuhteisiin. Yhdistettynä kokonaisennusteet tuottavat todennäköisyysennusteita, jotka ovat yleensä tarkempia kuin deterministiset ennusteet. Paperissa todetaan, että NeuralGCM:n 1,4°:n resoluution kokonaisennustemalli ylittää nykyiset huippumallit ennusteen tarkkuudella 5–15 päivää.

Lisäksi NeuralGCM:n ilmaston ennustetarkkuus pidemmillä aikajänteillä on myös korkeampi kuin nykyiset huippumallit. Kun ennustettiin lämpötiloja 40 vuoden ajalle 1980–2020, NeuralGCM:n 2,8 asteen deterministisen mallin keskimääräinen virhe oli vain 0,25 celsiusastetta, joka on kolmasosa AMIP (Atmospheric Model Intercomparison Project) -virheestä.

3. Suorita yhden vuoden ilmakehän dynaaminen simulaatio 8 minuutissa

Hoyer sanoi, että NeuralGCM:n laskentanopeus on useita suuruusluokkia nopeampi kuin perinteisen GCM:n, ja myös laskentakustannukset ovat alhaisemmat. NeuralGCM:n 1,4°-malli on yli 3500 kertaa nopeampi kuin erittäin tarkka ilmastomalli X-SHiELD. Toisin sanoen tutkijoilta kesti 20 päivää simuloida vuoden ilmakehän dynamiikkaa X-SHiELD:llä, mutta vain 8 minuuttia NeuralGCM:llä.

Lisäksi tutkijoiden on pyydettävä pääsyä supertietokoneeseen, jossa on 13 000 CPU:ta X-SHiELD:n suorittamiseksi, kun taas NeuralGCM:n käyttäminen vaatii vain tietokoneen, jossa on yksi TPU. Hoyer sanoi, että NeuralGCM:n ilmastosimuloinnin laskennalliset kustannukset ovat satatuhatta kertaa X-SHiELD:n käytön kustannukset.

Johtopäätös: Kohti avoimempaa, nopeampaa ja tehokkaampaa ilmastonennustemallia

Googlen tutkimustiimi on julkistanut NeuralGCM:n lähdekoodin ja mallipainot GitHubissa ei-kaupallista käyttöä varten, Hoyer sanoi, että Google toivoo tutkijoiden osallistuvan aktiivisesti mallin testaamiseen ja parantamiseen. NeuralGCM:ää voidaan käyttää kannettavalla tietokoneella, joten toivottavasti useampi ilmastotutkija käyttää mallia työssään.

Tällä hetkellä NeuralGCM simuloi vain maapallon ilmakehää, mutta Google toivoo tulevaisuudessa sisällyttävänsä malliin muita ilmastojärjestelmiä, kuten valtameret ja hiilen kiertokulkua. Vaikka NeuralGCM ei ole vielä täydellinen ilmastomalli, sen ilmaantuminen tarjoaa uusia ideoita ilmaston ennustamiseen. Tulevaisuudessa odotamme tekoälyn parantavan edelleen ilmaston ennustamisen tarkkuutta ja nopeutta.

Lähde: Google, Nature