Νέα

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Έξυπνα πράγματα (δημόσιος λογαριασμός:zhidxcom）
Συντάχθηκε από τον Meng Qiang
Συντάκτης Yunpeng

Το Intelligent things ανέφερε στις 24 Ιουλίου ότι η Google δημοσίευσε μια εργασία στο Nature στις 23 Ιουλίου, παρουσιάζοντας το ατμοσφαιρικό μοντέλο NeuralGCM που αναπτύχθηκε σε συνεργασία με το Ευρωπαϊκό Κέντρο Μεσαίων Προβλέψεων Καιρού (ECMWF). Η μάθηση συνδυάζεται για να βελτιώσει την ακρίβεια και την αποτελεσματικότητα των μοντέλων στην πρόβλεψη του καιρού και του κλίματος.

Το έγγραφο δείχνει ότι η ακρίβεια πρόβλεψης του NeuralGCM από 1 έως 15 ημέρες είναι συγκρίσιμη με εκείνη του ECMWF, το οποίο έχει το πιο προηγμένο παραδοσιακό μοντέλο φυσικής πρόβλεψης καιρού στον κόσμο μετά την προσθήκη της θερμοκρασίας της επιφάνειας της θάλασσας, τα αποτελέσματα πρόβλεψης του κλίματος 40 ετών είναι συνεπή με αυτά του ECMWF. Δεδομένα Οι τάσεις της υπερθέρμανσης του πλανήτη που προέκυψαν είναι συνεπείς.

Αξίζει να αναφέρουμε ότι το NeuralGCM είναι επίσης «πολύ μπροστά» όσον αφορά την ταχύτητα Μπορεί να δημιουργήσει 22,8 ημέρες ατμοσφαιρικής προσομοίωσης σε 30 δευτερόλεπτα υπολογιστικού χρόνου και το κόστος υπολογισμού είναι 100.000 φορές χαμηλότερο από το παραδοσιακό GCM. Ως το πρώτο κλιματικό μοντέλο που βασίζεται στη μηχανική μάθηση, το NeuralGCM έχει ανεβάσει την πρόβλεψη καιρού και την προσομοίωση κλίματος σε ένα νέο επίπεδο όσον αφορά την ακρίβεια και την αποτελεσματικότητα της πρόβλεψης.

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

1. Η μηχανική μάθηση οδηγεί τον μετασχηματισμό του κλιματικού μοντέλου

Η γη θερμαίνεται με άνευ προηγουμένου ρυθμό και τα ακραία καιρικά φαινόμενα έχουν εμφανιστεί συχνά τα τελευταία χρόνια Ο Παγκόσμιος Μετεωρολογικός Οργανισμός δήλωσε ότι το 2023 θα είναι το πιο ζεστό έτος που έχει καταγραφεί και το 2024 μπορεί να είναι ακόμη πιο ζεστό. Στο πλαίσιο των συχνών ακραίων καιρικών φαινομένων, η σημασία της πρόβλεψης του κλίματος είναι ιδιαίτερα έντονη.

Το Γενικό Μοντέλο Κυκλοφορίας (GCM) είναι η βάση για την πρόβλεψη του καιρού και του κλίματος και είναι ένα παραδοσιακό μοντέλο που χρησιμοποιείται για την προσομοίωση και την πρόβλεψη της ατμόσφαιρας και του κλιματικού συστήματος της Γης με βάση τη φυσική. Με την προσομοίωση φυσικών διεργασιών όπως η ατμόσφαιρα της Γης, οι ωκεανοί, η γη και τα στρώματα πάγου, το GCM μπορεί να παρέχει μακροπρόθεσμες προβλέψεις για τον καιρό και το κλίμα. Αν και τα συμβατικά κλιματικά μοντέλα βελτιώνονται εδώ και 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.

Ο Stephan Hoyer, ανώτερος μηχανικός της Google, είπε ότι το παραδοσιακό GCM χωρίζει τη γη σε κύβους που εκτείνονται από την επιφάνεια μέχρι την ατμόσφαιρα, με πλάγια μήκη συνήθως 50-100 χιλιόμετρα, και με βάση αυτό προβλέπει τις καιρικές αλλαγές σε κάθε κύβο για μια χρονική περίοδο . Φτάνουν στις προβλέψεις τους υπολογίζοντας τις δυναμικές αλλαγές στον αέρα και την υγρασία με βάση τους νόμους της φυσικής. Αλλά πολλές σημαντικές κλιματικές διεργασίες, όπως ο σχηματισμός νεφών και η βροχόπτωση, ποικίλλουν σε κλίμακα που κυμαίνεται από χιλιοστά έως χιλιόμετρα, η οποία είναι πολύ μικρότερη από το μέγεθος του κύβου που χρησιμοποιείται σήμερα στα GCM και επομένως δεν μπορεί να υπολογιστεί με ακρίβεια με βάση τη φυσική.

Επιπλέον, οι επιστήμονες δεν έχουν πλήρη φυσική κατανόηση ορισμένων διαδικασιών, όπως το πώς σχηματίζονται τα σύννεφα. Επομένως, αυτά τα παραδοσιακά μοντέλα δεν βασίζονται εξ ολοκλήρου σε φυσικές αρχές, αλλά χρησιμοποιούν απλοποιημένα μοντέλα για τη δημιουργία προσεγγίσεων για την παραμετροποίηση της δυναμικής του καιρού, αλλά αυτή η προσέγγιση μειώνει την ακρίβεια των GCM.

Όπως τα παραδοσιακά μοντέλα, το NeuralGCM διαιρεί την ατμόσφαιρα της Γης σε κύβους και υπολογίζει τις φυσικές ιδιότητες μεταβαλλόμενων διαδικασιών μεγάλης κλίμακας, όπως η κίνηση του αέρα και η κίνηση του νερού. Αλλά για μικρής κλίμακας δυναμικές καιρού, όπως ο σχηματισμός σύννεφων, το NeuralGCM δεν χρησιμοποιεί παραδοσιακή παραμετροποίηση, αλλά χρησιμοποιεί νευρωνικά δίκτυα για να μάθει τα φυσικά χαρακτηριστικά αυτών των καιρικών δυναμικών από τα υπάρχοντα δεδομένα καιρού.

Ο Hoyer αποκάλυψε ότι μια βασική καινοτομία του NeuralGCM είναι ότι η Google έγραψε έναν αριθμητικό λύτη για διεργασίες αλλαγής μεγάλης κλίμακας από την αρχή στο JAX, ο οποίος επιτρέπει στο μοντέλο να προσαρμόζεται "online" χρησιμοποιώντας βελτιστοποίηση βάσει κλίσης. Ένα άλλο πλεονέκτημα της εγγραφής ολόκληρου του μοντέλου σε JAX είναι ότι το μοντέλο μπορεί να λειτουργεί αποτελεσματικά σε TPU και GPU, ενώ τα παραδοσιακά μοντέλα κλιματισμού τρέχουν κυρίως σε CPU.

2. Η ακρίβεια πρόβλεψης είναι καλύτερη από το τρέχον μοντέλο αιχμής

Το έγγραφο δείχνει ότι η απόδοση του ντετερμινιστικού μοντέλου του NeuralGCM (που δίνει ένα μόνο, ντετερμινιστικό αποτέλεσμα πρόβλεψης) σε ανάλυση 0,7° είναι συγκρίσιμη με τα τρέχοντα μοντέλα τελευταίας τεχνολογίας και η ακρίβεια πρόγνωσης καιρού μπορεί να φτάσει τις 5 ημέρες.

Τα ντετερμινιστικά μοντέλα μπορεί να μην αντιπροσωπεύουν πλήρως την ποικιλομορφία των μελλοντικών καταστάσεων του κλιματικού συστήματος, επειδή παρέχουν μόνο ένα αποτέλεσμα πρόβλεψης. Επομένως, οι προβλέψεις συνόλου εισάγονται στις κλιματικές προβλέψεις, οι οποίες δημιουργούν μια σειρά από πιθανά σενάρια καιρού με βάση ένα ελαφρώς διαφορετικό σύνολο αρχικών συνθηκών. Όταν ενσωματώνονται, οι προβλέψεις συνόλου παράγουν πιθανολογικές προβλέψεις καιρού που είναι γενικά πιο ακριβείς από τις ντετερμινιστικές προβλέψεις. Το έγγραφο αναφέρει ότι το μοντέλο πρόβλεψης συνόλου ανάλυσης 1,4° της NeuralGCM ξεπερνά τα τρέχοντα μοντέλα αιχμής όσον αφορά την ακρίβεια πρόβλεψης από 5 έως 15 ημέρες.

Επιπλέον, η ακρίβεια πρόβλεψης του κλίματος του NeuralGCM για μεγαλύτερα χρονικά διαστήματα είναι επίσης υψηλότερη από τα τρέχοντα μοντέλα τελευταίας τεχνολογίας. Κατά την πρόβλεψη θερμοκρασιών για την περίοδο 40 ετών από το 1980 έως το 2020, το ντετερμινιστικό μοντέλο 2,8° του NeuralGCM είχε μέσο σφάλμα μόνο 0,25 βαθμούς Κελσίου, το ένα τρίτο του σφάλματος του Έργου Διασύγκρισης Μοντέλων Ατμόσφαιρας (AMIP).

3. Ολοκληρώστε την ατμοσφαιρική δυναμική προσομοίωση ενός έτους σε 8 λεπτά

Ο Hoyer είπε ότι η ταχύτητα υπολογισμού του NeuralGCM είναι αρκετές τάξεις μεγέθους ταχύτερη από αυτή του παραδοσιακού GCM και το κόστος υπολογισμού είναι επίσης χαμηλότερο. Το μοντέλο 1,4° της NeuralGCM είναι πάνω από 3.500 φορές ταχύτερο από το κλιματικό μοντέλο υψηλής ακρίβειας X-SHiELD. Με άλλα λόγια, χρειάστηκαν οι ερευνητές 20 ημέρες για να προσομοιώσουν ένα έτος ατμοσφαιρικής δυναμικής χρησιμοποιώντας το X-SHiELD, αλλά μόνο 8 λεπτά χρησιμοποιώντας το NeuralGCM.

Επιπλέον, οι ερευνητές πρέπει να ζητήσουν πρόσβαση σε έναν υπερυπολογιστή με 13.000 CPU για την εκτέλεση του X-SHiELD, ενώ η εκτέλεση του NeuralGCM απαιτεί μόνο έναν υπολογιστή με μία μόνο TPU. Ο Hoyer είπε ότι το υπολογιστικό κόστος της προσομοίωσης κλίματος χρησιμοποιώντας το NeuralGCM είναι εκατό χιλιάδες φορές μεγαλύτερο από αυτό της χρήσης X-SHiELD.

Συμπέρασμα: Προς ένα πιο ανοιχτό, γρήγορο και αποτελεσματικό μοντέλο πρόβλεψης του κλίματος

Η ομάδα της Google Research έχει δημοσιοποιήσει τον πηγαίο κώδικα και τα βάρη μοντέλων του NeuralGCM στο GitHub για μη εμπορική χρήση, είπε ότι η Google ελπίζει ότι οι ερευνητές σε όλο τον κόσμο μπορούν να συμμετάσχουν ενεργά στη δοκιμή και τη βελτίωση του μοντέλου. Το NeuralGCM μπορεί να εκτελεστεί σε φορητό υπολογιστή, οπότε ελπίζουμε ότι περισσότεροι ερευνητές του κλίματος θα χρησιμοποιήσουν το μοντέλο στην εργασία τους.

Επί του παρόντος, το NeuralGCM προσομοιώνει μόνο την ατμόσφαιρα της Γης, αλλά η Google ελπίζει να ενσωματώσει άλλα κλιματικά συστήματα, όπως οι ωκεανοί και ο κύκλος του άνθρακα, στο μοντέλο στο μέλλον. Αν και το NeuralGCM δεν είναι ακόμη ένα πλήρες κλιματικό μοντέλο, η εμφάνισή του παρέχει νέες ιδέες για την πρόβλεψη του κλίματος Στο μέλλον, αναμένουμε να δούμε την τεχνητή νοημοσύνη να βελτιώνει περαιτέρω την ακρίβεια και την ταχύτητα της πρόβλεψης του κλίματος.

Πηγή: Google, Nature