berita

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Kompilasi | Meng Qiang
Sunting | Yunpeng

Hal-hal cerdas melaporkan pada tanggal 24 Juli bahwa Google menerbitkan sebuah makalah di Nature pada tanggal 23 Juli, memperkenalkan model atmosfer NeuralGCM yang dikembangkan bekerja sama dengan Pusat Prakiraan Cuaca Jarak Menengah Eropa (ECMWF). Model ini menggabungkan model berbasis pemodelan fisik tradisional dengan Mesin pembelajaran digabungkan untuk meningkatkan akurasi dan efisiensi model dalam memprediksi cuaca dan iklim.

Makalah ini menunjukkan bahwa akurasi perkiraan NeuralGCM dari 1 hingga 15 hari sebanding dengan ECMWF, yang memiliki model perkiraan cuaca fisik tradisional tercanggih di dunia; setelah menambahkan suhu permukaan laut, hasil prediksi iklim NeuralGCM selama 40 tahun konsisten dengan hasil dari ECMWF data Tren pemanasan global yang diperoleh konsisten; NeuralGCM juga melampaui model iklim yang ada dalam memprediksi siklon dan lintasannya.

Perlu disebutkan bahwa NeuralGCM juga "jauh di depan" dalam hal kecepatan. Ia dapat menghasilkan simulasi atmosfer selama 22,8 hari dalam waktu penghitungan 30 detik, dan biaya penghitungannya 100.000 kali lebih rendah daripada GCM tradisional. Sebagai model iklim pertama yang berbasis pembelajaran mesin, NeuralGCM telah meningkatkan prediksi cuaca dan simulasi iklim ke tingkat yang baru dalam hal akurasi dan efisiensi prediksi.

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

1. Pembelajaran mesin mendorong transformasi model iklim

Bumi memanas pada tingkat yang belum pernah terjadi sebelumnya, dan cuaca ekstrem sering terjadi dalam beberapa tahun terakhir. Organisasi Meteorologi Dunia menyatakan bahwa tahun 2023 akan menjadi tahun terpanas yang pernah tercatat, dan tahun 2024 mungkin akan lebih panas lagi. Dalam konteks cuaca ekstrem yang sering terjadi, pentingnya prediksi iklim menjadi sangat penting.

General Circulation Model (GCM) merupakan dasar prediksi cuaca dan iklim serta merupakan model tradisional yang digunakan untuk mensimulasikan dan memprediksi atmosfer bumi dan sistem iklim berdasarkan fisika. Dengan mensimulasikan proses fisik seperti atmosfer bumi, lautan, daratan, dan lapisan es, GCM dapat memberikan prediksi cuaca dan iklim jangka panjang. Meskipun model iklim konvensional telah mengalami kemajuan selama beberapa dekade, model tersebut sering kali mengalami kesalahan dan bias karena kurangnya pemahaman para ilmuwan tentang cara kerja iklim bumi dan cara pembuatan model tersebut.

Stephan Hoyer, seorang insinyur senior di Google, mengatakan bahwa GCM tradisional membagi bumi menjadi kubus-kubus yang memanjang dari permukaan hingga atmosfer, dengan panjang sisi biasanya 50-100 kilometer, dan berdasarkan ini memprediksi perubahan cuaca di setiap kubus selama periode waktu tertentu. . Mereka sampai pada prediksi mereka dengan menghitung perubahan dinamis pada udara dan kelembapan berdasarkan hukum fisika. Namun banyak proses iklim yang penting, seperti pembentukan awan dan curah hujan, bervariasi dalam skala mulai dari milimeter hingga kilometer, yang jauh lebih kecil dari ukuran kubus yang saat ini digunakan dalam GCM, sehingga tidak dapat dihitung secara akurat berdasarkan fisika.

Selain itu, para ilmuwan tidak memiliki pemahaman fisik yang lengkap tentang beberapa proses, seperti bagaimana awan terbentuk. Oleh karena itu, model tradisional ini tidak sepenuhnya bergantung pada prinsip fisik, namun menggunakan model yang disederhanakan untuk menghasilkan perkiraan guna membuat parameter dinamika cuaca, namun pendekatan ini mengurangi keakuratan GCM.

Seperti model tradisional, NeuralGCM membagi atmosfer bumi menjadi kubus dan menghitung sifat fisik dari proses perubahan skala besar seperti pergerakan udara dan pergerakan air. Namun untuk dinamika cuaca skala kecil seperti pembentukan awan, NeuralGCM tidak menggunakan parameterisasi tradisional, melainkan menggunakan jaringan saraf untuk mempelajari karakteristik fisik dinamika cuaca tersebut dari data cuaca yang ada.

Hoyer mengungkapkan bahwa inovasi utama NeuralGCM adalah Google menulis pemecah numerik untuk proses perubahan skala besar dari awal di JAX, yang memungkinkan model disesuaikan “online” menggunakan pengoptimalan berbasis gradien. Manfaat lain dari menulis seluruh model di JAX adalah model tersebut dapat berjalan secara efisien pada TPU dan GPU, sedangkan model iklim tradisional sebagian besar berjalan pada CPU.

2. Akurasi prediksi lebih baik dibandingkan model tercanggih saat ini

Makalah ini menunjukkan bahwa performa model deterministik NeuralGCM (yang menghasilkan hasil prediksi deterministik tunggal) pada resolusi 0,7° sebanding dengan model tercanggih saat ini, dan akurasi prakiraan cuaca dapat mencapai 5 hari.

Model deterministik mungkin tidak sepenuhnya mewakili keragaman keadaan sistem iklim di masa depan karena model tersebut hanya memberikan satu hasil prediksi. Oleh karena itu, prakiraan ansambel diperkenalkan dalam prediksi iklim, yang menghasilkan serangkaian kemungkinan skenario cuaca berdasarkan serangkaian kondisi awal yang sedikit berbeda. Jika diintegrasikan, prakiraan ansambel menghasilkan prakiraan cuaca probabilistik yang umumnya lebih akurat dibandingkan prakiraan deterministik. Makalah ini menyatakan bahwa model perkiraan ansambel resolusi 1,4° NeuralGCM mengungguli model canggih saat ini dalam hal akurasi perkiraan dari 5 hingga 15 hari.

Selain itu, akurasi prediksi iklim NeuralGCM untuk rentang waktu yang lebih lama juga lebih tinggi dibandingkan model tercanggih saat ini. Saat memprediksi suhu selama periode 40 tahun dari 1980 hingga 2020, model deterministik 2,8° NeuralGCM memiliki kesalahan rata-rata hanya 0,25 derajat Celcius, sepertiga dari kesalahan Atmospheric Model Intercomparison Project (AMIP).

3. Selesaikan simulasi dinamika atmosfer satu tahun dalam 8 menit

Hoyer mengatakan bahwa kecepatan penghitungan NeuralGCM beberapa kali lipat lebih cepat dibandingkan GCM tradisional, dan biaya penghitungannya juga lebih rendah. Model 1,4° NeuralGCM 3.500 kali lebih cepat dibandingkan model iklim presisi tinggi X-SHiELD. Dengan kata lain, peneliti memerlukan waktu 20 hari untuk melakukan simulasi dinamika atmosfer selama satu tahun menggunakan X-SHiELD, namun hanya membutuhkan waktu 8 menit menggunakan NeuralGCM.

Selain itu, peneliti perlu meminta akses ke superkomputer dengan 13.000 CPU untuk menjalankan X-SHiELD, sedangkan untuk menjalankan NeuralGCM hanya memerlukan komputer dengan satu TPU. Hoyer mengatakan biaya komputasi simulasi iklim menggunakan NeuralGCM seratus ribu kali lipat dibandingkan menggunakan X-SHiELD.

Kesimpulan: Menuju model prediksi iklim yang lebih terbuka, cepat dan efisien

Tim Riset Google telah mempublikasikan kode sumber dan bobot model NeuralGCM di GitHub untuk penggunaan non-komersial. Hoyer mengatakan bahwa Google berharap para peneliti di seluruh dunia dapat berpartisipasi aktif dalam pengujian dan peningkatan model. NeuralGCM dapat dijalankan di laptop, sehingga diharapkan lebih banyak peneliti iklim yang akan menggunakan model ini dalam pekerjaan mereka.

Saat ini, NeuralGCM hanya mensimulasikan atmosfer bumi, namun Google berharap dapat memasukkan sistem iklim lain, seperti lautan dan siklus karbon, ke dalam model tersebut di masa depan. Meskipun NeuralGCM belum menjadi model iklim yang lengkap, kemunculannya memberikan ide-ide baru untuk prediksi iklim. Di masa depan, kami berharap AI dapat semakin meningkatkan akurasi dan kecepatan prediksi iklim.

Sumber: Google, Alam