Νέα

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Νέα Έκθεση Σοφίας

Επιμέλεια: Τμήμα Σύνταξης

[Εισαγωγή στη Νέα Σοφία] Η Google έχει προτείνει ένα νέο μοντέλο ατμοσφαιρικής κυκλοφορίας που βασίζεται σε ML, το NeuralGCM, το οποίο εξοικονομεί αρκετές τάξεις μεγέθους υπολογισμών σε σύγκριση με τα παραδοσιακά μοντέλα που βασίζονται στη φυσική και μειώνει το υπολογιστικό κόστος κατά 100.000 φορές, που ισοδυναμεί με 25 χρόνια προόδου στον τομέα των υψηλών υπολογισμός απόδοσης. Για προγνώσεις καιρού 2-15 ημερών, αυτή η μέθοδος είναι πιο ακριβής από το φυσικό μοντέλο SOTA.

Νωρίς σήμερα το πρωί, ο Διευθύνων Σύμβουλος της Google, Pichai, δημοσίευσε μια ανάρτηση στο X, ανακοινώνοντας ότι το NeuralGCM έχει κάνει μια σημαντική ανακάλυψη στον τομέα της κλιματικής μοντελοποίησης!

«Το NeuralGCM συνδυάζει μοντελοποίηση με βάση τη φυσική με τεχνητή νοημοσύνη για να προσομοιώσει την ατμόσφαιρα 100.000 φορές πιο αποτελεσματικά από άλλα μοντέλα, παρέχοντας στους επιστήμονες νέα εργαλεία για την πρόβλεψη της κλιματικής αλλαγής».

Αυτό το ερευνητικό αποτέλεσμα έχει επίσης δημοσιευτεί στο Nature Το μεγαλύτερο μέρος της ερευνητικής ομάδας προέρχεται από την Google Research και το DeepMind, καθώς και από επιστήμονες από το MIT, το Harvard και το ECMWF.

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

Το μοντέλο που αναπτύχθηκε από την Google, που ονομάζεται NeuralGCM, μπορεί να προσομοιώσει γρήγορα, αποτελεσματικά και με ακρίβεια την ατμόσφαιρα της Γης.

Η σημασία του είναι να βοηθά τους επιστήμονες να κάνουν ακριβείς προβλέψεις για το κλίμα της γης σε μια εποχή που η γη θερμαίνεται με πρωτοφανή ρυθμό——

Ποιες περιοχές θα αντιμετωπίσουν παρατεταμένη ξηρασία καθώς αυξάνονται οι παγκόσμιες θερμοκρασίες; Πού θα είναι πιο συχνές οι παράκτιες πλημμύρες από μεγάλες τροπικές καταιγίδες; Πώς θα αλλάξει η εποχή των πυρκαγιών καθώς ανεβαίνουν οι θερμοκρασίες;

Αντιμέτωπο με αυτά τα επείγοντα προβλήματα που πρέπει να επιλυθούν, το παραδοσιακό μοντέλο Γενικής Κυκλοφορίας (GCM) που βασίζεται στη φυσική φαίνεται ότι δεν έχει επαρκή σταθερότητα όταν αντιμετωπίζει μακροπρόθεσμες προσομοιώσεις καιρού και κλίματος.

Το NeuralGCM είναι μια μέθοδος που βασίζεται στη μηχανική μάθηση που συνδυάζει την παραδοσιακή φυσική μοντελοποίηση για να βελτιώσει σημαντικά την ακρίβεια και την αποτελεσματικότητα της προσομοίωσης.

Αυτή η προσέγγιση δημιουργεί προγνώσεις καιρού 2-15 ημερών που είναι πιο ακριβείς από τα τρέχοντα φυσικά μοντέλα τελευταίας τεχνολογίας και αναπαράγουν τις θερμοκρασίες τα τελευταία 40 χρόνια με μεγαλύτερη ακρίβεια από τα παραδοσιακά ατμοσφαιρικά μοντέλα.

Σηματοδοτεί ένα σημαντικό βήμα προς την ανάπτυξη πιο ισχυρών και πιο εύχρηστων κλιματικών μοντέλων.

Το NeuralGCM προσομοίωσε το συγκεκριμένο μοτίβο αλλαγής υγρασίας από τις 26 Δεκεμβρίου 2019 έως τις 8 Ιανουαρίου 2020

Το NeuralGCM μεταμορφώνει τη μοντελοποίηση του κλίματος

Αν και τα παραδοσιακά κλιματικά μοντέλα έχουν βελτιωθεί τις τελευταίες δεκαετίες, συχνά υποφέρουν από λάθη και προκαταλήψεις λόγω της ελλιπούς κατανόησης των επιστημόνων για το πώς λειτουργεί το κλίμα της Γης και πώς κατασκευάζονται τα μοντέλα.

Αυτά τα μοντέλα διαιρούν το χώρο από την επιφάνεια μέχρι την ατμόσφαιρα σε κύβους με πλευρές 50-100 χιλιομέτρων και στη συνέχεια προβλέπουν τις καιρικές αλλαγές σε κάθε κύβο για μια χρονική περίοδο.

Στη συνέχεια, το μοντέλο υπολογίζει την κίνηση του αέρα και της υγρασίας με βάση τους γενικά αποδεκτούς φυσικούς νόμους, οι οποίοι αποτελούν τη βάση για την πρόγνωση του καιρού.

Το πρόβλημα όμως είναι ότι η κλίμακα των 50-100 χιλιομέτρων είναι πραγματικά πολύ μεγάλη.

Πολλές σημαντικές κλιματικές διεργασίες, συμπεριλαμβανομένων των νεφών και της βροχόπτωσης, ποικίλλουν σε κλίμακες μικρότερες από τα μεγέθη των κύβων που χρησιμοποιούνται στα τρέχοντα μοντέλα (χιλιοστά σε χιλιόμετρα).

Επιπλέον, η φυσική κατανόηση ορισμένων διαδικασιών από τους επιστήμονες, όπως ο σχηματισμός νεφών, είναι ελλιπής.

Ως αποτέλεσμα, αυτά τα παραδοσιακά μοντέλα βασίζονται όχι μόνο σε θεμελιώδεις αρχές αλλά χρησιμοποιούν επίσης απλουστευμένα μοντέλα για τη δημιουργία προσεγγίσεων που ονομάζονται «παραμετροποιήσεις» για την προσομοίωση διαδικασιών μικρής κλίμακας και κακώς κατανοητές.

Αυτές οι απλουστευμένες προσεγγίσεις αναπόφευκτα μειώνουν την ακρίβεια των μοντέλων κλίματος που βασίζονται σε φυσική κατάσταση.

Λοιπόν, πώς το NeuralGCM λύνει αυτό το πρόβλημα;

Όπως τα παραδοσιακά μοντέλα, το NeuralGCM εξακολουθεί να διαιρεί την ατμόσφαιρα της Γης σε κύβους και να υπολογίζει τη φυσική διεργασιών μεγάλης κλίμακας, όπως η κίνηση του αέρα και του νερού.

Η διαφορά είναι ότι το NeuralGCM δεν βασίζεται πλέον σε «παραμετρικές» προσεγγίσεις που αναπτύχθηκαν από επιστήμονες για την προσομοίωση καιρικών αλλαγών μικρής κλίμακας, αλλά χρησιμοποιεί νευρωνικά δίκτυα για να μάθει τις φυσικές αρχές αυτών των γεγονότων από τα υπάρχοντα δεδομένα καιρού.

Μια βασική καινοτομία του NeuralGCM είναι ότι ο αριθμητικός λύτης για διεργασίες μεγάλης κλίμακας έχει ξαναγραφτεί από την αρχή στο JAX.

Αυτό δίνει τη δυνατότητα στους ερευνητές να χρησιμοποιούν βελτιστοποίηση με βάση την κλίση για να προσαρμόσουν τη "διαδικτυακή" συμπεριφορά των συζευγμένων συστημάτων σε πολλαπλά χρονικά βήματα.

Αντίθετα, οι προηγούμενες προσπάθειες χρήσης μηχανικής μάθησης για τη βελτίωση των κλιματικών μοντέλων αντιμετώπισαν σημαντικές δυσκολίες με την αριθμητική σταθερότητα, επειδή χρησιμοποιούν εκπαίδευση "εκτός σύνδεσης" που αγνοεί τις διαφορές μεταξύ διαδικασιών μικρής και μεγάλης κλίμακας που συσσωρεύονται με την πάροδο του χρόνου.

Ένα άλλο πλεονέκτημα της εγγραφής ολόκληρου του μοντέλου σε JAX είναι ότι εκτελείται αποτελεσματικά σε TPU και GPU, ενώ τα παραδοσιακά μοντέλα κλιματισμού τρέχουν κυρίως σε CPU.

Το NeuralGCM συνδυάζει παραδοσιακούς επιλύτες δυναμικής ρευστών και νευρωνικά δίκτυα για τη φυσική μικρής κλίμακας Αυτά τα στοιχεία συγκεντρώνονται μέσω ενός επιλύτη διαφορικών εξισώσεων για να προχωρήσει το σύστημα χρονολογικά.

Η ομάδα της Google χρησιμοποίησε δεδομένα καιρού ECMWF από το 1979 έως το 2019 για να εκπαιδεύσει μια σειρά μοντέλων NeuralGCM σε αναλύσεις 0,7°, 1,4° και 2,8°.

Αν και το NeuralGCM εκπαιδεύεται με βάση τα δεδομένα πρόγνωσης καιρού, η ομάδα σχεδίασε το NeuralGCM ως ένα γενικό ατμοσφαιρικό μοντέλο.

Ακριβείς μετεωρολογικές προβλέψεις και κλιματικές προβλέψεις

Πρόσφατα μοντέλα μηχανικής μάθησης (ML) της ατμόσφαιρας της Γης, συμπεριλαμβανομένου του GraphCast του Google DeepMind, έχουν επιδείξει επαναστατική ακρίβεια στις προβλέψεις καιρού.

Μέχρι σήμερα, η έρευνα για τις προβλέψεις ML έχει επικεντρωθεί κυρίως σε βραχυπρόθεσμες προβλέψεις, οι οποίες απέχουν πολύ από τα χρόνια έως τις δεκαετίες που απαιτούνται για τις προβλέψεις του κλίματος.

Δεδομένου ότι οι κλιματικές προβλέψεις πολλών δεκαετιών είναι δύσκολο να επαληθευτούν αξιόπιστα, η ομάδα της Google αξιολόγησε την απόδοση του NeuralGCM σε προβλέψεις κλίμακος και ως μοντέλο καιρού χρησιμοποιώντας το καθιερωμένο σημείο αναφοράς WeatherBench 2.

Το ντετερμινιστικό μοντέλο του NeuralGCM σε ανάλυση 0,7° είναι συγκρίσιμο με τα τρέχοντα μοντέλα τελευταίας τεχνολογίας όσον αφορά την ακρίβεια πρόγνωσης καιρού και η ακρίβεια πρόγνωσης καιρού μπορεί να φτάσει τις 5 ημέρες.

Ωστόσο, τα ντετερμινιστικά μοντέλα δεν διαθέτουν την ποσοτική αβεβαιότητα που απαιτείται για να γίνουν χρήσιμες προβλέψεις για μεγάλους χρόνους παράδοσης.

Τα σύνολα προβλέψεων δημιουργούνται από ελαφρώς διαφορετικές συνθήκες εκκίνησης για την παραγωγή μιας σειράς εξίσου πιθανών καιρικών συνθηκών. Αυτά τα σύνολα παράγουν πιθανολογικές προβλέψεις καιρού που είναι γενικά πιο ακριβείς από τις ντετερμινιστικές προβλέψεις.

Το μοντέλο συνόλου του NeuralGCM σε ανάλυση 1,4° υπερέχει του προηγούμενου SOTA όσον αφορά την ακρίβεια πρόβλεψης από 5 έως 15 ημέρες.

Αυτή η βελτίωση της απόδοσης οφείλεται στο γεγονός ότι το NeuralGCM δημιουργεί συνολικές προβλέψεις καιρού, οι οποίες είναι συγκρίσιμες με το μοντέλο SOTA ECMWF-ENS της ECMWF που βασίζεται στη φυσική.

Μεταξύ των δημοσιευμένων μοντέλων ML, το NeuralGCM είναι το πρώτο που το κάνει αυτό.

Οι προβλέψεις συνόλου του NeuralGCM είναι πιο ακριβείς από το ECMWF-ENS στο 95% του χρόνου σε προγνώσεις που κυμαίνονται από 2 έως 15 ημέρες.

Το NeuralGCM υπερτερεί επίσης των ατμοσφαιρικών μοντέλων τελευταίας τεχνολογίας σε προβλέψεις κλίμακος χρονικής κλίμακας.

Επειδή το NeuralGCM προσομοιώνει μόνο το ατμοσφαιρικό στοιχείο του κλίματος της Γης, η ομάδα της Google συνέκρινε την απόδοσή του με ατμοσφαιρικά μοντέλα που βασίζονται στη φυσική.

Κατά την πρόβλεψη θερμοκρασιών μεταξύ 1980 και 2020, το μέσο σφάλμα του ντετερμινιστικού μοντέλου 2,8° του NeuralGCM είναι το ένα τρίτο του σφάλματος του ατμοσφαιρικού μοντέλου (AMIP) ή 0,25 έναντι 0,75 βαθμούς Κελσίου.

Συγκρίνοντας την απόδοση του NeuralGCM και του AMIP στην πρόβλεψη της μέσης παγκόσμιας θερμοκρασίας 1000 hPa μεταξύ 1980 και 2020

Επειδή τα παραδοσιακά ατμοσφαιρικά μοντέλα δυσκολεύονται να προσομοιώσουν ορισμένες πτυχές της ατμόσφαιρας της Γης, οι κλιματικοί επιστήμονες χρησιμοποιούν μερικές φορές μοντέλα υψηλότερης ανάλυσης όπως το X-SHiELD, τα οποία, αν και πιο ακριβή, είναι πιο ακριβά υπολογιστικά.

Σε σύγκριση με το X-SHiELD, το ντετερμινιστικό μοντέλο 1,4° της NeuralGCM πέτυχε 15-50% λιγότερα σφάλματα στην πρόβλεψη των δεδομένων υγρασίας και θερμοκρασίας του 2020 που παρέχονται από την Εθνική Υπηρεσία Ωκεανών και Ατμόσφαιρας (NOAA).

Κατά τη διάρκεια της κλιματικής προσομοίωσης του 2020, το NeuralGCM προέβλεψε επίσης μοτίβα τροπικών κυκλώνων που ταίριαζαν με τον αριθμό και την ένταση των καταιγίδων που παρατηρήθηκαν στην ίδια περιοχή εκείνο το έτος.

Το NeuralGCM είναι το πρώτο μοντέλο που βασίζεται στη μηχανική μάθηση ικανό να δημιουργήσει τέτοια μοτίβα.

Το NeuralGCM προβλέπει ίχνη τροπικών κυκλώνων παγκοσμίως το 2020 (οι προβλεπόμενοι αριθμοί και εντάσεις καταιγίδων ταιριάζουν με τους πραγματικούς αριθμούς και τις εντάσεις των κυκλώνων που καταγράφονται στο σύνολο δεδομένων ECMWF Reanalysis v5 (ERA5))

Ανοιχτό, γρήγορο και αποτελεσματικό

Το NeuralGCM είναι τάξεις μεγέθους ταχύτερο σε υπολογιστική ταχύτητα και κόστος από τα παραδοσιακά κλιματικά μοντέλα που βασίζονται στη φυσική.

Το μοντέλο 1,4° είναι πάνω από 3.500 φορές ταχύτερο από το X-SHiELD, πράγμα που σημαίνει ότι αν οι ερευνητές προσομοίωσαν την ατμόσφαιρα ενός έτους με το X-SHiELD, θα χρειαζόταν 20 ημέρες, σε σύγκριση με μόλις 8 λεπτά με το NeuralGCM.

Επιπλέον, οι επιστήμονες χρειάζονται μόνο έναν υπολογιστή με ένα μόνο TPU (Tensor Processing Unit) για την εκτέλεση του NeuralGCM, ενώ η εκτέλεση του X-SHiELD απαιτεί τη χρήση 13.000 CPU (Central Processing Units) υπερυπολογιστή.

Συνολικά, το υπολογιστικό κόστος της προσομοίωσης κλίματος χρησιμοποιώντας το NeuralGCM είναι 100.000 φορές χαμηλότερο από αυτό του X-SHiELD, που ισοδυναμεί με 25 χρόνια προόδου στους υπολογιστές υψηλής απόδοσης.

Το NeuralGCM προσομοιώνει την ατμόσφαιρα πιο γρήγορα από τα σύγχρονα φυσικά μοντέλα, ενώ παράγει προβλέψεις με την ίδια ακρίβεια

Σε αυτό το διάγραμμα, το NeuralGCM ανταγωνίζεται δύο φυσικά μοντέλα NCAR CAM και NOAA X-SHiELD, συγκρίνοντας τον αριθμό των ημερών ατμοσφαιρικής προσομοίωσης που δημιουργούν σε 30 δευτερόλεπτα υπολογιστικού χρόνου.

Τα τρία μοντέλα λειτουργούν σε διαφορετικές αναλύσεις, με το X-SHiELD να έχει την υψηλότερη ανάλυση (0,03°), το NCAR CAM6 να έχει ανάλυση 1,0° και το NeuralGCM να έχει τη χαμηλότερη ανάλυση (1,4°).

Αξίζει να αναφέρουμε ότι αν και το NeuralGCM τρέχει σε χαμηλή ανάλυση, η ακρίβειά του είναι συγκρίσιμη με μοντέλα υψηλής ανάλυσης.

Στη συνέχεια, με συγκρίσιμη ακρίβεια, μπορεί να φανεί ότι το NeuralGCM μπορεί να δημιουργήσει 22,8 ημέρες ατμοσφαιρικής προσομοίωσης σε 30 δευτερόλεπτα, ενώ το X-SHiELD, ως φυσικό μοντέλο υψηλής ανάλυσης που πρέπει να εκτελεστεί σε υπερυπολογιστή, μπορεί να δημιουργηθεί μόνο για 9 λεπτά!

Αυτό εξαλείφει επίσης τα πλεονεκτήματα του NCAR CAM6, το οποίο προηγουμένως ευνοούνταν από τους ερευνητές λόγω του χαμηλού υπολογιστικού του κόστους.

Η ομάδα της Google αποκάλυψε τον πηγαίο κώδικα και τα βάρη του μοντέλου του NeuralGCM στο GitHub για μη εμπορική χρήση. Ελπίζουν ότι άλλοι ερευνητές μπορούν εύκολα να προσθέσουν νέα στοιχεία για να δοκιμάσουν υποθέσεις και να βελτιώσουν τη λειτουργικότητα του μοντέλου.

Επιπλέον, επειδή το NeuralGCM μπορεί να εκτελεστεί σε φορητό υπολογιστή και δεν απαιτεί την υποστήριξη υπερυπολογιστή, περισσότεροι ερευνητές του κλίματος μπορούν να χρησιμοποιήσουν αυτό το μοντέλο αιχμής στην εργασία τους.

Συμπεράσματα και μελλοντικές κατευθύνσεις

Το NeuralGCM μοντελοποιεί προς το παρόν μόνο την ατμόσφαιρα της Γης, αλλά η ομάδα της Google ελπίζει να ενσωματώσει τελικά άλλες πτυχές του κλιματικού συστήματος της Γης, όπως οι ωκεανοί και ο κύκλος του άνθρακα, στο μοντέλο.

Με αυτόν τον τρόπο, το NeuralGCM θα μπορεί να κάνει προβλέψεις σε μεγαλύτερες χρονικές κλίμακες, όχι μόνο προβλέποντας τον καιρό σε ημέρες και εβδομάδες, αλλά και σε κλίμακες χρόνου.

Συνολικά, το NeuralGCM προτείνει έναν νέο τρόπο για τη δημιουργία κλιματικών μοντέλων που μπορεί να είναι ταχύτερα, λιγότερο υπολογιστικά ακριβά και πιο ακριβή από τα υπάρχοντα μοντέλα.

Βιβλιογραφικές αναφορές:

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

https://research.google/blog/fast-accurate-climate-modeling-with-neuralgcm/

https://x.com/sundarpichai/status/1815512751793721649