nouvelles

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Compiler | Meng Qiang
Modifier | Yun Peng

Intelligent Things a rapporté le 24 juillet que Google avait publié un article dans Nature le 23 juillet, présentant le modèle atmosphérique NeuralGCM développé en coopération avec le Centre européen pour les prévisions météorologiques à moyen terme (ECMWF). Ce modèle combine des modèles traditionnels basés sur la modélisation physique avec Machine. l'apprentissage est combiné pour améliorer la précision et l'efficacité des modèles dans la prévision du temps et du climat.

Le document montre que la précision des prévisions de NeuralGCM de 1 à 15 jours est comparable à celle du CEPMMT, qui dispose du modèle de prévision météorologique physique traditionnel le plus avancé au monde ; après avoir ajouté la température de la surface de la mer, les résultats des prévisions climatiques sur 40 ans de NeuralGCM sont cohérents avec ceux du CEPMMT. données Les tendances du réchauffement climatique obtenues sont cohérentes ; NeuralGCM surpasse également les modèles climatiques existants dans la prévision des cyclones et de leurs trajectoires.

Il convient de mentionner que NeuralGCM est également « loin devant » en termes de vitesse. Il peut générer 22,8 jours de simulation atmosphérique en 30 secondes de temps de calcul, et le coût de calcul est 100 000 fois inférieur à celui du GCM traditionnel. En tant que premier modèle climatique basé sur l'apprentissage automatique, NeuralGCM a élevé la prévision météorologique et la simulation climatique à un nouveau niveau en termes de précision et d'efficacité des prévisions.

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

1. L’apprentissage automatique stimule la transformation du modèle climatique

La Terre se réchauffe à un rythme sans précédent et des phénomènes météorologiques extrêmes se sont produits fréquemment ces dernières années. L’Organisation météorologique mondiale a déclaré que 2023 serait l’année la plus chaude jamais enregistrée, et que 2024 pourrait être encore plus chaude. Dans le contexte de phénomènes météorologiques extrêmes fréquents, l’importance de la prévision climatique est particulièrement importante.

Le modèle de circulation générale (GCM) constitue la base des prévisions météorologiques et climatiques. Il s'agit d'un modèle traditionnel utilisé pour simuler et prédire l'atmosphère et le système climatique terrestre sur la base de la physique. En simulant des processus physiques tels que l'atmosphère terrestre, les océans, les terres et les calottes glaciaires, le GCM peut fournir des prévisions météorologiques et climatiques à long terme. Bien que les modèles climatiques conventionnels se soient améliorés depuis des décennies, ils souffrent souvent d'erreurs et de biais dus à une compréhension incomplète du fonctionnement du climat terrestre et de la manière dont les modèles sont construits.

Stephan Hoyer, ingénieur principal chez Google, a déclaré que le GCM traditionnel divise la Terre en cubes s'étendant de la surface à l'atmosphère, avec des côtés généralement de 50 à 100 kilomètres, et sur cette base, il prédit les changements météorologiques dans chaque cube sur une période de temps. . Ils arrivent à leurs prédictions en calculant les changements dynamiques de l’air et de l’humidité sur la base des lois de la physique. Mais de nombreux processus climatiques importants, tels que la formation des nuages ​​et les précipitations, varient sur une échelle allant du millimètre au kilomètre, ce qui est beaucoup plus petit que la taille du cube actuellement utilisée dans les GCM, et ne peut donc pas être calculé avec précision sur la base de la physique.

De plus, les scientifiques n’ont pas une compréhension physique complète de certains processus, tels que la formation des nuages. Par conséquent, ces modèles traditionnels ne reposent pas entièrement sur des principes physiques, mais utilisent des modèles simplifiés pour générer des approximations afin de paramétrer la dynamique météorologique, mais cette approche réduit la précision des GCM.

Comme les modèles traditionnels, NeuralGCM divise l'atmosphère terrestre en cubes et calcule les propriétés physiques des processus changeants à grande échelle tels que le mouvement de l'air et le mouvement de l'eau. Mais pour les dynamiques météorologiques à petite échelle telles que la formation des nuages, NeuralGCM n'utilise pas le paramétrage traditionnel, mais utilise des réseaux de neurones pour apprendre les caractéristiques physiques de ces dynamiques météorologiques à partir des données météorologiques existantes.

Hoyer a révélé qu'une innovation clé de NeuralGCM est que Google a écrit un solveur numérique pour les processus de changement à grande échelle à partir de zéro dans JAX, ce qui permet d'ajuster le modèle « en ligne » à l'aide d'une optimisation basée sur le gradient. Un autre avantage de l'écriture de l'intégralité du modèle dans JAX est que le modèle peut fonctionner efficacement sur des TPU et des GPU, alors que les modèles climatiques traditionnels fonctionnent principalement sur des processeurs.

2. La précision des prévisions est meilleure que celle du modèle de pointe actuel

L'article montre que les performances du modèle déterministe de NeuralGCM (générant un résultat de prévision déterministe unique) à une résolution de 0,7° sont comparables à celles des modèles de pointe actuels, et que la précision des prévisions météorologiques peut atteindre 5 jours.

Les modèles déterministes peuvent ne pas représenter pleinement la diversité des états futurs du système climatique car ils ne fournissent qu’un seul résultat de prévision. Par conséquent, des prévisions d’ensemble sont introduites dans les prévisions climatiques, qui génèrent une série de scénarios météorologiques possibles basés sur un ensemble de conditions initiales légèrement différentes. . Lorsqu'elles sont intégrées, les prévisions d'ensemble produisent des prévisions météorologiques probabilistes qui sont généralement plus précises que les prévisions déterministes. Le document indique que le modèle de prévision d’ensemble de résolution 1,4° de NeuralGCM surpasse les modèles de pointe actuels en termes de précision de prévision de 5 à 15 jours.

De plus, la précision des prévisions climatiques de NeuralGCM sur des périodes plus longues est également supérieure à celle des modèles de pointe actuels. Lors de la prévision des températures sur la période de 40 ans allant de 1980 à 2020, le modèle déterministe de 2,8° de NeuralGCM présentait une erreur moyenne de seulement 0,25 degrés Celsius, soit un tiers de l'erreur du projet d'intercomparaison de modèles atmosphériques (AMIP).

3. Réalisez la simulation dynamique atmosphérique d’un an en 8 minutes

Hoyer a déclaré que la vitesse de calcul de NeuralGCM est plusieurs ordres de grandeur plus rapide que celle du GCM traditionnel, et que le coût de calcul est également inférieur. Le modèle 1,4° de NeuralGCM est plus de 3 500 fois plus rapide que le modèle climatique de haute précision X-SHiELD. En d’autres termes, il a fallu 20 jours aux chercheurs pour simuler une année de dynamique atmosphérique avec X-SHiELD, mais seulement 8 minutes avec NeuralGCM.

De plus, les chercheurs doivent demander l'accès à un superordinateur doté de 13 000 processeurs pour exécuter X-SHiELD, alors que l'exécution de NeuralGCM ne nécessite qu'un ordinateur doté d'un seul TPU. Hoyer a déclaré que le coût de calcul de la simulation climatique à l’aide de NeuralGCM est cent mille fois supérieur à celui de l’utilisation de X-SHiELD.

Conclusion : Vers un modèle de prévision climatique plus ouvert, rapide et efficace

L'équipe de recherche de Google a rendu public le code source et les poids du modèle de NeuralGCM sur GitHub pour une utilisation non commerciale. Hoyer a déclaré que Google espère que les chercheurs du monde entier pourront participer activement aux tests et à l'amélioration du modèle. NeuralGCM peut être exécuté sur un ordinateur portable, nous espérons donc que davantage de chercheurs en climatologie utiliseront ce modèle dans leurs travaux.

Actuellement, NeuralGCM ne simule que l'atmosphère terrestre, mais Google espère intégrer d'autres systèmes climatiques, tels que les océans et le cycle du carbone, dans le modèle à l'avenir. Bien que NeuralGCM ne soit pas encore un modèle climatique complet, son émergence fournit de nouvelles idées pour la prévision climatique. À l’avenir, nous nous attendons à voir l’IA améliorer encore la précision et la rapidité des prévisions climatiques.

Source : Google, Nature