berita

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Laporan Kebijaksanaan Baru

Editor: Departemen Editorial

[Pengantar Kebijaksanaan Baru] Google telah mengusulkan model sirkulasi atmosfer baru berbasis ML, NeuralGCM, yang menghemat beberapa kali lipat perhitungan dibandingkan dengan model berbasis fisika tradisional dan mengurangi biaya komputasi sebesar 100.000 kali lipat, yang setara dengan kemajuan 25 tahun di bidang teknologi tinggi. komputasi kinerja. Untuk prakiraan cuaca 2-15 hari, metode ini lebih akurat dibandingkan model fisik SOTA.

Pagi ini, CEO Google Pichai memposting postingan di X, mengumumkan bahwa NeuralGCM telah membuat terobosan besar di bidang pemodelan iklim!

“NeuralGCM menggabungkan pemodelan berbasis fisika dengan kecerdasan buatan untuk mensimulasikan atmosfer 100.000 kali lebih efisien dibandingkan model lainnya, sehingga memberikan para ilmuwan alat baru untuk memprediksi perubahan iklim.”

Hasil penelitian ini juga telah dipublikasikan di Nature. Sebagian besar tim peneliti berasal dari Google Research dan DeepMind, serta ilmuwan dari MIT, Harvard dan ECMWF.

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

Model yang dikembangkan Google, disebut NeuralGCM, dapat mensimulasikan atmosfer bumi dengan cepat, efisien dan akurat.

Arti pentingnya adalah membantu para ilmuwan membuat prediksi akurat tentang iklim bumi pada saat bumi mengalami pemanasan pada tingkat yang belum pernah terjadi sebelumnya——

Daerah manakah yang akan menghadapi kekeringan berkepanjangan akibat kenaikan suhu global? Di manakah banjir pesisir akan lebih sering terjadi akibat badai tropis besar? Bagaimana musim kebakaran hutan akan berubah seiring dengan kenaikan suhu?

Dihadapkan pada masalah-masalah mendesak yang perlu dipecahkan, Model Sirkulasi Umum (GCM) berbasis fisika tradisional tampaknya agak melebar. GCM kurang memiliki stabilitas yang memadai ketika dihadapkan pada simulasi cuaca dan iklim jangka panjang.

NeuralGCM adalah metode berbasis pembelajaran mesin yang menggabungkan pemodelan fisik tradisional untuk meningkatkan akurasi dan efisiensi simulasi.

Pendekatan ini menghasilkan prakiraan cuaca 2-15 hari yang lebih akurat dibandingkan model fisik terkini dan mereproduksi suhu selama 40 tahun terakhir dengan lebih akurat dibandingkan model atmosfer tradisional.

Hal ini menandai langkah penting menuju pengembangan model iklim yang lebih kuat dan lebih mudah digunakan.

NeuralGCM mensimulasikan pola perubahan kelembapan spesifik dari 26 Desember 2019 hingga 8 Januari 2020

NeuralGCM mengubah pemodelan iklim

Meskipun model iklim tradisional telah mengalami kemajuan selama beberapa dekade terakhir, model tersebut sering kali mengalami kesalahan dan bias karena kurangnya pemahaman para ilmuwan tentang cara kerja iklim bumi dan cara pembuatan model tersebut.

Model ini membagi ruang dari permukaan hingga atmosfer menjadi kubus-kubus dengan sisi 50-100 kilometer, dan kemudian memprediksi perubahan cuaca di setiap kubus selama periode waktu tertentu.

Model tersebut kemudian menghitung pergerakan udara dan kelembapan berdasarkan hukum fisika yang berlaku umum, yang menjadi dasar prakiraan cuaca.

Tapi masalahnya skala 50-100 kilometer itu terlalu besar.

Banyak proses iklim yang penting, termasuk awan dan curah hujan, bervariasi pada skala yang lebih kecil dari ukuran kubus yang digunakan dalam model saat ini (milimeter hingga kilometer).

Selain itu, pemahaman fisik para ilmuwan tentang beberapa proses, seperti pembentukan awan, masih belum lengkap.

Akibatnya, model tradisional ini tidak hanya mengandalkan prinsip dasar tetapi juga menggunakan model yang disederhanakan untuk menghasilkan perkiraan yang disebut "parameterisasi" untuk mensimulasikan proses berskala kecil dan kurang dipahami.

Perkiraan yang disederhanakan ini pasti akan mengurangi keakuratan model iklim berbasis fisik.

Jadi, bagaimana NeuralGCM mengatasi masalah ini?

Seperti model tradisional, NeuralGCM masih membagi atmosfer bumi menjadi kubus dan menghitung fisika proses skala besar seperti pergerakan udara dan air.

Perbedaannya adalah NeuralGCM tidak lagi mengandalkan perkiraan "parametrik" yang dikembangkan oleh para ilmuwan untuk mensimulasikan perubahan cuaca skala kecil, tetapi menggunakan jaringan saraf untuk mempelajari prinsip fisik peristiwa tersebut dari data cuaca yang ada.

Inovasi utama NeuralGCM adalah pemecah numerik untuk proses berskala besar telah ditulis ulang dari awal di JAX.

Hal ini memungkinkan peneliti untuk menggunakan optimasi berbasis gradien untuk menyesuaikan perilaku "online" dari sistem yang digabungkan dalam beberapa langkah waktu.

Sebaliknya, upaya sebelumnya yang menggunakan pembelajaran mesin untuk menyempurnakan model iklim mengalami kesulitan yang signifikan dengan stabilitas numerik karena upaya tersebut menggunakan pelatihan "luring" yang mengabaikan perbedaan antara proses skala kecil dan skala besar yang terakumulasi dari waktu ke waktu.

Manfaat lain dari menulis keseluruhan model di JAX adalah model ini berjalan secara efisien pada TPU dan GPU, sedangkan model iklim tradisional sebagian besar berjalan pada CPU.

NeuralGCM menggabungkan pemecah dinamika fluida tradisional dan jaringan saraf untuk fisika skala kecil. Komponen-komponen ini disatukan melalui pemecah persamaan diferensial untuk memajukan sistem secara kronologis.

Tim Google menggunakan data cuaca ECMWF dari tahun 1979 hingga 2019 untuk melatih serangkaian model NeuralGCM pada resolusi 0,7°, 1,4°, dan 2,8°.

Meskipun NeuralGCM dilatih berdasarkan data prakiraan cuaca, tim merancang NeuralGCM sebagai model atmosfer umum.

Prakiraan cuaca dan prediksi iklim yang akurat

Model pembelajaran mesin (ML) terbaru dari atmosfer bumi, termasuk GraphCast dari Google DeepMind, telah menunjukkan akurasi revolusioner dalam prediksi cuaca.

Hingga saat ini, penelitian mengenai prediksi ML terutama berfokus pada prediksi jangka pendek, yang membutuhkan waktu bertahun-tahun hingga puluhan tahun untuk melakukan prediksi iklim.

Karena prediksi iklim multi-dekade sulit diverifikasi secara andal, tim Google mengevaluasi kinerja NeuralGCM dalam prediksi skala iklim dan sebagai model cuaca menggunakan tolok ukur WeatherBench 2 yang sudah ada.

Model deterministik NeuralGCM pada resolusi 0,7° sebanding dengan model canggih saat ini dalam hal akurasi prakiraan cuaca, dan akurasi prakiraan cuaca bisa mencapai 5 hari.

Namun, model deterministik tidak memiliki ketidakpastian kuantitatif yang diperlukan untuk membuat perkiraan yang berguna dalam jangka waktu yang lama.

Ansambel prakiraan dihasilkan dari kondisi awal yang sedikit berbeda untuk menghasilkan kisaran kondisi cuaca yang kemungkinannya sama. Ansambel ini menghasilkan prakiraan cuaca probabilistik yang umumnya lebih akurat dibandingkan prakiraan deterministik.

Model ansambel NeuralGCM pada resolusi 1,4° mengungguli SOTA sebelumnya dalam hal akurasi prediksi dari 5 hingga 15 hari.

Peningkatan kinerja ini disebabkan oleh fakta bahwa NeuralGCM menghasilkan prediksi cuaca ansambel, yang sebanding dengan model SOTA berbasis fisika ECMWF, ECMWF-ENS.

Di antara model ML yang dipublikasikan, NeuralGCM adalah yang pertama melakukan hal ini.

Perkiraan ansambel NeuralGCM lebih akurat dibandingkan ECMWF-ENS dalam 95% waktu di seluruh perkiraan yang berkisar antara 2 hingga 15 hari.

NeuralGCM juga mengungguli model atmosfer canggih dalam prediksi skala waktu iklim.

Karena NeuralGCM hanya mensimulasikan komponen atmosfer iklim bumi, tim Google membandingkan kinerjanya dengan model atmosfer berbasis fisika.

Saat memprediksi suhu antara tahun 1980 dan 2020, kesalahan rata-rata model deterministik 2,8° NeuralGCM adalah sepertiga kesalahan model atmosfer (AMIP), atau 0,25 vs. 0,75 derajat Celcius.

Membandingkan performa NeuralGCM dan AMIP dalam memprediksi suhu rata-rata global 1000 hPa antara tahun 1980 dan 2020

Karena model atmosfer tradisional mengalami kesulitan dalam mensimulasikan aspek-aspek tertentu dari atmosfer bumi, para ilmuwan iklim terkadang menggunakan model dengan resolusi lebih tinggi seperti X-SHiELD, yang meskipun lebih akurat, namun lebih mahal secara komputasi.

Dibandingkan dengan X-SHiELD, model deterministik 1,4° NeuralGCM menghasilkan kesalahan 15-50% lebih sedikit dalam memprediksi data kelembapan dan suhu tahun 2020 yang disediakan oleh National Oceanic and Atmospheric Administration (NOAA).

Selama simulasi iklim tahun 2020, NeuralGCM juga memperkirakan pola siklon tropis yang sesuai dengan jumlah dan intensitas badai yang diamati di wilayah yang sama pada tahun tersebut.

NeuralGCM adalah model berbasis pembelajaran mesin pertama yang mampu menghasilkan pola seperti itu.

NeuralGCM memprediksi jejak siklon tropis secara global pada tahun 2020 (prediksi jumlah dan intensitas badai sesuai dengan jumlah dan intensitas siklon aktual yang tercatat dalam kumpulan data ECMWF Reanalisis v5 (ERA5))

Terbuka, cepat dan efisien

NeuralGCM jauh lebih cepat dalam kecepatan komputasi dan biaya dibandingkan model iklim berbasis fisika tradisional.

Model 1,4°-nya 3.500 kali lebih cepat dibandingkan X-SHiELD, artinya jika peneliti melakukan simulasi atmosfer satu tahun dengan X-SHiELD, maka dibutuhkan waktu 20 hari, dibandingkan hanya 8 menit dengan NeuralGCM.

Terlebih lagi, para ilmuwan hanya membutuhkan komputer dengan satu TPU (Tensor Processing Unit) untuk menjalankan NeuralGCM, sedangkan untuk menjalankan X-SHiELD memerlukan penggunaan superkomputer 13.000 CPU (Central Processing Unit).

Secara keseluruhan, biaya komputasi simulasi iklim menggunakan NeuralGCM 100.000 kali lebih rendah dibandingkan X-SHiELD, setara dengan kemajuan komputasi performa tinggi selama 25 tahun.

NeuralGCM mensimulasikan atmosfer lebih cepat daripada model fisik tercanggih sekaligus menghasilkan prediksi dengan akurasi yang sama

Dalam bagan ini, NeuralGCM bersaing dengan dua model fisik NCAR CAM dan NOAA X-SHiELD, membandingkan jumlah hari simulasi atmosfer yang dihasilkan dalam waktu penghitungan 30 detik.

Ketiga model tersebut berjalan pada resolusi berbeda, dengan X-SHiELD memiliki resolusi tertinggi (0,03°), NCAR CAM6 memiliki resolusi 1,0°, dan NeuralGCM memiliki resolusi terendah (1,4°).

Perlu disebutkan bahwa meskipun NeuralGCM berjalan pada resolusi rendah, akurasinya sebanding dengan model resolusi tinggi.

Kemudian, dengan akurasi yang sebanding, terlihat bahwa NeuralGCM dapat menghasilkan simulasi atmosfer selama 22,8 hari dalam 30 detik, sedangkan X-SHiELD, sebagai model fisik resolusi tinggi yang harus dijalankan pada superkomputer, hanya dapat dihasilkan selama 9 menit!

Hal ini juga menghilangkan kelebihan NCAR CAM6 yang sebelumnya disukai para peneliti karena biaya komputasinya yang rendah.

Tim Google telah mengungkapkan kode sumber dan bobot model NeuralGCM di GitHub untuk penggunaan non-komersial. Mereka berharap peneliti lain dapat dengan mudah menambahkan komponen baru untuk menguji hipotesis dan meningkatkan fungsionalitas model.

Selain itu, karena NeuralGCM dapat dijalankan di laptop dan tidak memerlukan dukungan superkomputer, semakin banyak peneliti iklim yang dapat menggunakan model canggih ini dalam pekerjaan mereka.

Kesimpulan dan arah masa depan

NeuralGCM saat ini hanya memodelkan atmosfer bumi, namun tim Google berharap pada akhirnya dapat memasukkan aspek lain dari sistem iklim bumi, seperti lautan dan siklus karbon, ke dalam model tersebut.

Dengan cara ini, NeuralGCM akan mampu membuat prediksi dalam skala waktu yang lebih panjang, tidak hanya memprediksi cuaca dalam hitungan hari dan minggu, namun juga dalam skala waktu iklim.

Secara keseluruhan, NeuralGCM mengusulkan cara baru untuk membangun model iklim yang mungkin lebih cepat, lebih hemat biaya komputasi, dan lebih akurat dibandingkan model yang sudah ada.

Referensi:

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