Νέα

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Γράφτηκε από |. Ma Xuewei

Συντάκτης |

Πρόλογος

Τα δεδομένα από τον Παγκόσμιο Μετεωρολογικό Οργανισμό (WMO) δείχνουν ότι τα τελευταία 50 χρόνια, μια μέση καταστροφή καιρού, κλίματος ή πλημμύρας συνέβαινε καθημερινά καιΚάθε καταστροφή προκαλεί κατά μέσο όρο περίπου 115 θανάτους και οικονομικές απώλειες περίπου 202 εκατομμυρίων δολαρίων ΗΠΑ.。

Αυτό που είναι ακόμη πιο λυπηρό είναι ότι τα τελευταία χρόνια, η κλιματική αλλαγή που επιταχύνθηκε από ανθρώπινες δραστηριότητες έχει κάνει πιο συχνά ακραίες καιρικές και κλιματικές καταστροφές όπως κύματα καύσωνα, κύματα κρύου, έντονες βροχοπτώσεις και ξηρασίες.

επομένως,Επίκαιρο και ακριβέςΗ προηγμένη πρόβλεψη καιρού και η μοντελοποίηση του κλίματος μπορούν όχι μόνο να βοηθήσουν στη διάσωση δεκάδων χιλιάδων ζωών κάθε χρόνο, αλλά και στη μείωση των καταστροφικών επιπτώσεων των ακραίων καιρικών και κλιματικών φαινομένων στην ανθρώπινη κοινωνία και τα οικοσυστήματα.

τώρα,Το NeuralGCM, ένα μοντέλο τεχνητής νοημοσύνης (AI) που αναπτύχθηκε από την ερευνητική ομάδα της Google Research και τους συνεργάτες της, οδηγεί την πρόβλεψη καιρού και την προσομοίωση του κλίματος σε ένα νέο επίπεδο——

• Η ακρίβεια της πρόβλεψης 1-15 ημερών του NeuralGCM είναι συγκρίσιμη με αυτή του Ευρωπαϊκού Κέντρου Προγνώσεων Καιρού Μεσαίου Εύρους (ECMWF), το οποίο διαθέτει το πιο προηγμένο παραδοσιακό μοντέλο φυσικής πρόγνωσης καιρού στον κόσμο.

• Για την ακρίβεια της πρόβλεψης 10 ημερών, το NeuralGCM αποδίδει εξίσου καλά ή και καλύτερα από άλλα υπάρχοντα μοντέλα τεχνητής νοημοσύνης.

• Μετά την προσθήκη της θερμοκρασίας της επιφάνειας της θάλασσας, τα αποτελέσματα πρόβλεψης του κλίματος 40 ετών του NeuralGCM είναι συνεπή με την τάση υπερθέρμανσης του πλανήτη που βρέθηκε στα δεδομένα του ECMWF.

• Το NeuralGCM ξεπερνά επίσης τα υπάρχοντα κλιματικά μοντέλα στην πρόβλεψη κυκλώνων και της τροχιάς τους.

Αξίζει να σημειωθεί ότι το NeuralGCM όχι μόνο φτάνει ή και ξεπερνά τα υπάρχοντα παραδοσιακά μοντέλα αριθμητικής πρόβλεψης καιρού και άλλα μοντέλα μηχανικής μάθησης (ML) όσον αφορά την ακρίβεια, είναι επίσης «πολύ μπροστά» όσον αφορά την ταχύτητα και μπορεί να χρησιμοποιηθείΔημιουργήστε 22,8 ημέρες ατμοσφαιρικής προσομοίωσης σε 30 δευτερόλεπτα υπολογιστικού χρόνουΚαι μπορεί να εξοικονομήσει τάξεις μεγέθους περισσότερους υπολογισμούς από τα παραδοσιακά μοντέλα.

Το βίντεο |. Αυτό το βίντεο συγκρίνει τις ημέρες ατμοσφαιρικής προσομοίωσης που δημιουργούνται από το NeuralGCM και δύο φυσικά μοντέλα, το NOAA X-SHiELD και το NCAR CAM6, μέσα σε χρόνο υπολογισμού 30 δευτερολέπτων. Μεταξύ αυτών, το NOAA X-SHiELD είναι ένα φυσικό μοντέλο υψηλής ανάλυσης (0,03°) που πρέπει να εκτελεστεί σε έναν υπερυπολογιστή πιο συχνά χρησιμοποιούμενη επιλογή μεταξύ των επιστημόνων. Αν και το NeuralGCM λειτουργεί σε χαμηλότερη ανάλυση (1,4°), η ακρίβειά του είναι συγκρίσιμη με μοντέλα υψηλότερης ανάλυσης. (Πηγή: Google Research)

Η σχετική ερευνητική εργασία τιτλοφορείται «Νευρικά γενικά μοντέλα κυκλοφορίας για τον καιρό και το κλίμα» και έχει δημοσιευτεί στο έγκυρο επιστημονικό περιοδικό Nature.

Μαζί, αυτά τα αποτελέσματα καταδεικνύουν ότι το NeuralGCM μπορεί να δημιουργήσει ντετερμινιστικές προβλέψεις συνόλου για τον καιρό, τον καιρό και το κλίμα, δείχνοντας επαρκή σταθερότητα για μακροπρόθεσμες προσομοιώσεις καιρού και κλίματος.

Η ερευνητική ομάδα πιστεύει ότι αυτή η βαθιά μάθηση από άκρο σε άκρο είναι συμβατή με τις εργασίες που εκτελούνται από τα παραδοσιακά μοντέλα γενικής κυκλοφορίας (GCM, τα οποία αντιπροσωπεύουν τις φυσικές διαδικασίες της ατμόσφαιρας, των ωκεανών και της γης και αποτελούν τη βάση για προβλέψεις καιρού και κλίματος). , και μπορεί να βελτιώσει την κατανόηση και τις προσομοιώσεις φυσικής μεγάλης κλίμακας που είναι κρίσιμες για την πρόβλεψη γήινων συστημάτων.

Επιπλέον, η προσέγγιση υβριδικής μοντελοποίησης του NeuralGCM μπορεί επίσης να εφαρμοστεί σε άλλα επιστημονικά πεδία, όπως η ανακάλυψη υλικών, η αναδίπλωση πρωτεϊνών και ο σχεδιασμός μηχανικής πολλαπλής φυσικής.

Ποιο είναι το πραγματικό αποτέλεσμα;？

Η μείωση της αβεβαιότητας στις μακροπρόθεσμες προβλέψεις και η εκτίμηση των ακραίων καιρικών φαινομένων είναι το κλειδί για την κατανόηση του μετριασμού και της προσαρμογής του κλίματος.

μοντέλο MLΑνέκαθεν θεωρούνταν εναλλακτικό μέσο πρόγνωσης καιρού, με το πλεονέκτημα της εξοικονόμησης κόστους υπολογιστικής ισχύος, και μάλιστα έχει φτάσει ή υπερβαίνει το επίπεδο των μοντέλων ατμοσφαιρικής κυκλοφορίας από την άποψη της ντετερμινιστικής πρόγνωσης του καιρού.Οι επιδόσεις στις μακροπρόθεσμες προβλέψεις είναι συχνά κατώτερες από τα μοντέλα γενικής κυκλοφορίας。

Σε αυτή την εργασία, η ερευνητική ομάδα σχεδίασε το NeuralGCM συνδυάζοντας μηχανική μάθηση και φυσικές μεθόδους, χρησιμοποιώντας στοιχεία ML για να αντικαταστήσει ή να διορθώσει το παραδοσιακό σχήμα φυσικής παραμετροποίησης στο GCM, το οποίο αποτελείται από τα ακόλουθα βασικά μέρη:

• Διαφορετικός πυρήνας ισχύος : Αυτός ο πυρήνας είναι υπεύθυνος για την επίλυση διακριτικών δυναμικών εξισώσεων και την προσομοίωση μεγάλης κλίμακας κίνησης ρευστού και θερμοδυναμικών διεργασιών, οι οποίες επηρεάζονται από τη βαρύτητα, τη δύναμη Coriolis και άλλους παράγοντες. Ο δυναμικός πυρήνας χρησιμοποιεί οριζόντια ψευδοφασματική διακριτοποίηση και κάθετες συντεταγμένες σίγμα και υλοποιείται χρησιμοποιώντας τη βιβλιοθήκη JAX για την υποστήριξη της αυτόματης διαφοροποίησης. Προσομοιώνει επτά μεταβλητές πρόβλεψης: οριζόντια δίνη ανέμου, οριζόντια απόκλιση ανέμου, θερμοκρασία, επιφανειακή πίεση και τρία είδη νερού (ειδική υγρασία, περιεκτικότητα σε νερό σε σύννεφα πάγου και περιεκτικότητα σε υγρό νέφος).

• Ενότητα Σπουδών Φυσικής : Αυτή η ενότητα χρησιμοποιεί την προσέγγιση μιας στήλης στο GCM, χρησιμοποιώντας μόνο πληροφορίες από μια μεμονωμένη ατμοσφαιρική στήλη για την πρόβλεψη των επιπτώσεων των μη επιλυμένων διεργασιών σε αυτήν τη στήλη. Χρησιμοποιεί ένα πλήρως συνδεδεμένο νευρωνικό δίκτυο με υπολειπόμενες συνδέσεις και μοιράζεται τα βάρη μεταξύ όλων των ατμοσφαιρικών στηλών. Οι είσοδοι στο νευρωνικό δίκτυο περιλαμβάνουν μεταβλητές πρόβλεψης στην ατμοσφαιρική στήλη, συνολική προσπίπτουσα ηλιακή ακτινοβολία, συγκέντρωση θαλάσσιου πάγου και θερμοκρασία επιφάνειας της θάλασσας, καθώς και οριζόντιες διαβαθμίσεις των μεταβλητών πρόβλεψης. Η έξοδος του νευρωνικού δικτύου είναι η προβλεπόμενη μεταβλητή τάση, που κλιμακώνεται με την άνευ όρων τυπική απόκλιση του πεδίου στόχου.

• Κωδικοποιητές και αποκωδικοποιητές : Εφόσον τα δεδομένα ERA5 αποθηκεύονται σε συντεταγμένες πίεσης ενώ ο πυρήνας ισχύος χρησιμοποιεί το σύστημα συντεταγμένων σίγμα, απαιτούνται κωδικοποιητές και αποκωδικοποιητές για τη μετατροπή. Αυτά τα εξαρτήματα εκτελούν γραμμική παρεμβολή μεταξύ των επιπέδων πίεσης και των επιπέδων συντεταγμένων σίγμα και διορθώνονται χρησιμοποιώντας την ίδια αρχιτεκτονική νευρωνικών δικτύων με την μαθημένη ενότητα φυσικής. Ο κωδικοποιητής εξαλείφει τα κύματα βαρύτητας που προκαλούνται από το σοκ αρχικοποίησης, αποφεύγοντας έτσι τη μόλυνση των αποτελεσμάτων πρόβλεψης.

Εικόνα |. Αρχιτεκτονική του μοντέλου NeuralGCM. Το NeuralGCM συνδυάζει παραδοσιακούς επιλύτες ρευστοδυναμικής με νευρωνικά δίκτυα για φυσική μικρής κλίμακας. Αυτά τα εξαρτήματα συναρμολογούνται από έναν επιλύτη διαφορικών εξισώσεων που προωθεί διαδοχικά το σύστημα προς τα εμπρός στο χρόνο. (Πηγή: Google Research)

Τα αποτελέσματα δείχνουν ότι το NeuralGCM παρουσιάζει ισχυρές ικανότητες στην πρόβλεψη του καιρού, ανταγωνιζόμενος τα τελευταίας τεχνολογίας μοντέλα σε εξαιρετικά βραχυπρόθεσμες, βραχυπρόθεσμες και μεσοπρόθεσμες χρονικές κλίμακες. ως εξής:

Πολύ βραχυπρόθεσμη πρόβλεψη (0-1 ημέρα)

• Δυνατότητα γενίκευσης: Σε σύγκριση με το GraphCast, το NeuralGCM αποδίδει καλύτερα κάτω από μη εκπαιδευμένες καιρικές συνθήκες επειδή χρησιμοποιεί τοπικά νευρωνικά δίκτυα για την πρόβλεψη φυσικών διεργασιών στην κατακόρυφη στήλη της ατμόσφαιρας.

Βραχυπρόθεσμη πρόβλεψη (1-10 ημέρες)

• Ακρίβεια: Το NeuralGCM-0,7° και το GraphCast αποδίδουν καλύτερα σε βραχυπρόθεσμες προβλέψεις 1-3 ημερών, παρακολουθώντας με ακρίβεια τις αλλαγές στα καιρικά μοτίβα.

• Φυσική συνέπεια: Σε σύγκριση με άλλα μοντέλα μηχανικής μάθησης, οι προβλέψεις του NeuralGCM είναι πιο ξεκάθαρες, αποφεύγοντας φυσικώς ασυνεπείς και διφορούμενες προβλέψεις.

• Ερμηνευσιμότητα: Με τη διάγνωση της βροχόπτωσης μείον την εξάτμιση, τα αποτελέσματα του NeuralGCM είναι πιο ερμηνεύσιμα και διευκολύνουν την ανάλυση των υδάτινων πόρων.

• Γεωτροφική ισορροπία ανέμου: Το NeuralGCM προσομοιώνει με μεγαλύτερη ακρίβεια την κατακόρυφη δομή των γεωστροφικών και γεωστροφικών ανέμων και τις αναλογίες τους από το GraphCast.

Μεσοπρόθεσμη πρόβλεψη (7-15 ημέρες)

• Πρόβλεψη συνόλου: Τα μέσα σφάλματα συνόλου RMSE, RMSB και CRPS του NeuralGCM-ENS σε ανάλυση 1,4° είναι όλα χαμηλότερα από αυτά του ECMWF-ENS, υποδεικνύοντας ότι μπορεί να αποτυπώσει καλύτερα την πιθανή μέση καιρική κατάσταση.

• Βαθμονόμηση: Οι προβλέψεις συνόλου του NeuralGCM-ENS, όπως το ECMWF-ENS, έχουν αναλογία απόκλισης-δεξιότητας περίπου 1, η οποία είναι απαραίτητη προϋπόθεση για τη βαθμονόμηση των προβλέψεων.

Επιπλέον, εκτός από την εξαιρετική του απόδοση στην πρόβλεψη καιρού, το NeuralGCM έχει επίσης επιδείξει ισχυρές δυνατότητες στην προσομοίωση κλίματος, όπως προσομοίωση εποχιακού κύκλου, προσομοίωση τροπικού κυκλώνα και προσομοίωση ιστορικών τάσεων θερμοκρασίας. ως εξής:

Προσομοίωση εποχιακού κύκλου

• Ακρίβεια: Το NeuralGCM είναι σε θέση να προσομοιώνει με ακρίβεια εποχιακούς κύκλους, συμπεριλαμβανομένων των ετήσιων κύκλων του παγκόσμιου κατακρημνιζόμενου νερού και της συνολικής παγκόσμιας κινητικής ενέργειας, καθώς και βασικών ατμοσφαιρικών δυναμικών όπως το κύτταρο Hadley και ο μέσος μεσημβρινός άνεμος.

• Σύγκριση με παγκόσμια μοντέλα με ανάλυση σύννεφων: Το NeuralGCM έχει μικρότερες προκαταλήψεις στο νερό που κατακρημνίζεται και χαμηλότερες προκαταλήψεις θερμοκρασίας στις τροπικές περιοχές από το παγκόσμιο μοντέλο X-SHiELD με ανάλυση σύννεφων.

Προσομοίωση Τροπικού Κυκλώνα

• Ίχνη και αριθμοί: Ακόμη και σε χονδρική ανάλυση 1,4°, το NeuralGCM παράγει ίχνη τροπικών κυκλώνων και αριθμούς παρόμοιους με τον ERA5, ενώ το παγκόσμιο μοντέλο επίλυσης νέφους X-SHiELD υποτιμά τον αριθμό των τροπικών κυκλώνων σε ανάλυση 1,4°.

Βίντεο｜Το NeuralGCM προβλέπει την πορεία των παγκόσμιων τροπικών κυκλώνων το 2020. Τα αποτελέσματα των προβλέψεων είναι συνεπή με τον πραγματικό αριθμό και την ένταση των κυκλώνων για εκείνο το έτος, όπως φαίνεται από το σύνολο δεδομένων ECMWF Reanalysis Version 5 (ERA5). (Πηγή: Google Research)

Προσομοίωση ιστορικών τάσεων θερμοκρασίας

• Προσομοιώσεις AMIP: Το NeuralGCM-2.8° διεξήγαγε 40 χρόνια προσομοιώσεων AMIP και έδειξε ότι όλες οι προσομοιώσεις αποτύπωσαν με ακρίβεια τις τάσεις υπερθέρμανσης του πλανήτη που παρατηρήθηκαν στα δεδομένα ERA5 και ότι οι διαχρονικές τάσεις θερμοκρασίας συσχετίστηκαν ισχυρά με τα δεδομένα ERA5, υποδεικνύοντας ότι το NeuralGCM μπορεί να προσομοιώσει αποτελεσματικά την επίδραση της επιβολής SST στο κλίμα.

• Σύγκριση με το μοντέλο CMIP6: Το NeuralGCM-2.8° έχει μικρότερη προκατάληψη θερμοκρασίας κατά την περίοδο 1981-2014 από το μοντέλο CMIP6 AMIP, ένα αποτέλεσμα που ισχύει ακόμη και μετά την αφαίρεση της παγκόσμιας πόλωσης θερμοκρασίας από το μοντέλο CMIP6 AMIP.

Σχήμα | Σύγκριση της απόδοσης των NeuralGCM και AMIP στην πρόβλεψη της μέσης παγκόσμιας θερμοκρασίας από το 1980 έως το 2020. (Πηγή: Google Research)

Αν και το NeuralGCM έχει επιδείξει ισχυρές ικανότητες στην πρόβλεψη καιρού και κλίματος, αυτόΥπάρχουν ακόμα κάποιοι περιορισμοί。

πρώτα,Το NeuralGCM έχει περιορισμένη ικανότητα πρόβλεψης του μελλοντικού κλίματος . Το NeuralGCM δεν είναι επί του παρόντος σε θέση να προβλέψει μελλοντικά κλίματα που διαφέρουν σημαντικά από τα ιστορικά κλίματα. Όταν η θερμοκρασία της επιφάνειας της θάλασσας (SST) αυξάνεται κατά πολύ (όπως +4K), η απόκριση του NeuralGCM δεν είναι σύμφωνη με τις προσδοκίες και εμφανίζεται μετατόπιση του κλίματος.

Κατα δευτερον,Το NeuralGCM έχει ανεπαρκή ικανότητα προσομοίωσης μη παρατηρούμενου κλίματος . Παρόμοια με άλλα κλιματικά μοντέλα μηχανικής μάθησης, το NeuralGCM αντιμετωπίζει επίσης την πρόκληση της προσομοίωσης μη παρατηρούμενου κλίματος, όπως το μελλοντικό κλίμα ή το κλίμα που διαφέρει πολύ από τα ιστορικά δεδομένα. Αυτό απαιτεί μοντέλα με ισχυρότερες δυνατότητες γενίκευσης και πιο προηγμένες στρατηγικές εκπαίδευσης, όπως η αντίθετη εκπαίδευση ή η μετα-μάθηση.

Επειτα,Το NeuralGCM έχει επίσης φυσικούς περιορισμούς και ζητήματα αριθμητικής σταθερότητας . Για παράδειγμα, η φασματική κατανομή του NeuralGCM είναι ακόμα πιο ασαφής από αυτή των φυσικών προβλέψεων του ECMWF και υπάρχει μια υποεκτίμηση στην προσομοίωση τροπικών ακραίων γεγονότων. Αυτό απαιτεί περαιτέρω έρευνα και βελτίωση της παραμετροποίησης της φυσικής διαδικασίας και των αριθμητικών μεθόδων του μοντέλου για τη βελτίωση της φυσικής συνέπειας και της αριθμητικής σταθερότητας του μοντέλου.

Επιτέλους,Έλλειψη σύζευξης με άλλα εξαρτήματα του συστήματος Earth . Προς το παρόν, το NeuralGCM προσομοιώνει μόνο το ατμοσφαιρικό σύστημα, ενώ το κλιματικό σύστημα είναι ένα πολύπλοκο σύστημα αλληλεπίδρασης, συμπεριλαμβανομένων των ωκεανών, της γης, του πάγου και του χιονιού και της βιόσφαιρας. Για να πραγματοποιηθούν πιο ολοκληρωμένες προσομοιώσεις κλίματος, το NeuralGCM πρέπει να συνδεθεί με αυτά τα στοιχεία και να λαμβάνει υπόψη τις αλληλεπιδράσεις μεταξύ τους. Αυτό απαιτεί την ανάπτυξη νέων αρχιτεκτονικών μοντέλων και στρατηγικών εκπαίδευσης για να επιτρέψουν συζευγμένες πολυφυσικές προσομοιώσεις.

Η παραδοσιακή πρόβλεψη καιρού και η προσομοίωση του κλίματος ανατρέπονται από την τεχνητή νοημοσύνη

Το NeuralGCM δεν είναι «πρωτοπόρος» όσον αφορά την πρόβλεψη καιρού και την προσομοίωση του κλίματος。

Τα τελευταία χρόνια, εταιρείες τεχνολογίας και πανεπιστήμια, συμπεριλαμβανομένων των Huawei, Google και Tsinghua University, έχουν σημειώσει σημαντική πρόοδο προς αυτή την κατεύθυνση.

Τον Ιούλιο του 2023, αναπτύχθηκε από την Huawei CloudΜοντέλο Pangu-WeatherΕνσωματωμένο στο Nature, χρησιμοποιεί 39 χρόνια παγκόσμιων καιρικών δεδομένων ως δεδομένα εκπαίδευσης Η ακρίβεια πρόβλεψής του είναι συγκρίσιμη με το καλύτερο σύστημα αριθμητικής πρόβλεψης καιρού στον κόσμο και είναι πάνω από 10.000 φορές ταχύτερο από το σύστημα IFS στην ίδια χωρική ανάλυση.

Μια άλλη εργασία που δημοσιεύτηκε στο Nature την ίδια περίοδο παρουσιάστηκεNowcastNet, που προέρχεται από μια ερευνητική ομάδα με επικεφαλής τον Μάικλ Τζόρνταν, καθηγητή στο Πανεπιστήμιο της Καλιφόρνια στο Μπέρκλεϋ, και τον Γουάνγκ Τζιανμίν, καθηγητή στο Πανεπιστήμιο Tsinghua.

Τον Νοέμβριο του 2023, το Google DeepMind κυκλοφόρησε ένα μοντέλο πρόβλεψης καιρού βασισμένο στη μηχανική μάθηση——GraphCast , σε συνολική ανάλυση 0,25°, το μοντέλο μπορεί να προβλέψει εκατοντάδες μεταβλητές καιρού για τις επόμενες 10 ημέρες σε ένα λεπτό, πολύ καλύτερα από τις παραδοσιακές μεθόδους πρόγνωσης καιρού, ενώ έχει καλή απόδοση στην πρόβλεψη ακραίων γεγονότων. Σχετικές ερευνητικές εργασίες έχουν δημοσιευθεί στο έγκυρο επιστημονικό περιοδικό Science.

Τον Μάρτιο του τρέχοντος έτους, ένα μοντέλο τεχνητής νοημοσύνης που αναπτύχθηκε επίσης από την ομάδα έρευνας της Google νίκησε το πιο προηγμένο παγκόσμιο σύστημα προειδοποίησης πλημμύρας.

Σήμερα, η παραδοσιακή πρόβλεψη καιρού και η προσομοίωση του κλίματος ανατρέπονται από την τεχνητή νοημοσύνη. Στο μέλλον, η τεχνητή νοημοσύνη θα επιταχύνει περαιτέρω την ταχύτητα και την ακρίβεια της πρόγνωσης του καιρού, προς όφελος όλης της ανθρωπότητας.

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

｜Κάντε κλικ για να με ακολουθήσετε και θυμηθείτε να αστέρια｜