notizia

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Scritto da |. Ma Xuewei

Redattore |.Cooper

Prefazione

I dati dell’Organizzazione Meteorologica Mondiale (OMM) mostrano che negli ultimi 50 anni si è verificato ogni giorno in media un disastro meteorologico, climatico o legato alle inondazioni, eOgni disastro provoca in media circa 115 morti e perdite economiche per circa 202 milioni di dollari.。

Ciò che è ancora più deplorevole è che negli ultimi anni, il cambiamento climatico accelerato dalle attività umane ha reso più frequenti disastri meteorologici e climatici estremi come ondate di caldo, ondate di freddo, forti precipitazioni e siccità.

Perciò,Puntuale e accuratoLe previsioni meteorologiche avanzate e la modellizzazione climatica possono non solo aiutare a salvare decine di migliaia di vite ogni anno, ma anche a ridurre l’impatto catastrofico degli eventi meteorologici e climatici estremi sulla società umana e sugli ecosistemi.

Ora,NeuralGCM, un modello di intelligenza artificiale (AI) sviluppato dal team di ricerca di Google Research e dai suoi collaboratori, porta la previsione del tempo e la simulazione del clima a un nuovo livello——

• La precisione delle previsioni meteorologiche a medio termine di NeuralGCM è paragonabile a quella del Centro europeo per le previsioni meteorologiche a medio termine (ECMWF), che dispone del modello di previsione meteorologica fisica tradizionale più avanzato al mondo;

• Per quanto riguarda la precisione delle previsioni a 10 giorni, NeuralGCM funziona altrettanto bene o addirittura meglio di altri modelli di intelligenza artificiale esistenti;

• Dopo aver aggiunto la temperatura della superficie del mare, i risultati delle previsioni climatiche a 40 anni di NeuralGCM sono coerenti con la tendenza al riscaldamento globale rilevata nei dati dell’ECMWF;

• NeuralGCM supera anche i modelli climatici esistenti nel prevedere i cicloni e le loro traiettorie.

Vale la pena ricordare che NeuralGCM non solo raggiunge o addirittura supera i tradizionali modelli numerici di previsione meteorologica e altri modelli di machine learning (ML) in termini di precisione, ma è anche "molto più avanti" in termini di velocità e può essere utilizzato in applicazioni di simulazioneGenera 22,8 giorni di simulazione atmosferica in 30 secondi di tempo di calcoloE può far risparmiare ordini di grandezza in più rispetto ai modelli tradizionali.

Video |. NeuralGCM simula l'atmosfera più velocemente dei modelli fisici all'avanguardia producendo previsioni con precisione comparabile. Questo video mette a confronto i giorni di simulazione atmosferica generati da NeuralGCM e due modelli fisici, NOAA X-SHiELD e NCAR CAM6, in un tempo di calcolo di 30 secondi. Tra questi, NOAA X-SHiELD è un modello fisico ad alta risoluzione (0,03°) che deve essere eseguito su un supercomputer; NCAR CAM6 è un modello di fisica atmosferica pura a risoluzione inferiore (1,0°) che richiede bassi costi computazionali scelta più comunemente usata tra gli scienziati. Sebbene NeuralGCM operi a una risoluzione inferiore (1,4°), la sua precisione è paragonabile a quella dei modelli a risoluzione più elevata. (Fonte: ricerca Google)

Il documento di ricerca in questione si intitola "Modelli di circolazione generale neurale per il tempo e il clima" ed è stato pubblicato sull'autorevole rivista scientifica Nature.

Insieme, questi risultati dimostrano che NeuralGCM può generare previsioni deterministiche di insieme di tempo, tempo e clima, mostrando stabilità sufficiente per simulazioni meteorologiche e climatiche a lungo termine.

Il gruppo di ricerca ritiene che questo apprendimento profondo end-to-end sia compatibile con i compiti svolti dai tradizionali modelli di circolazione generale (GCM, che rappresentano i processi fisici dell’atmosfera, degli oceani e della terra e costituiscono la base per le previsioni meteorologiche e climatiche). e può migliorare la comprensione e le simulazioni fisiche su larga scala fondamentali per prevedere i sistemi terrestri.

Inoltre, l’approccio di modellazione ibrida di NeuralGCM può essere applicato anche ad altri campi scientifici, come la scoperta dei materiali, il ripiegamento delle proteine ​​e la progettazione ingegneristica multifisica.

Qual è l'effetto reale?？

Ridurre l’incertezza nelle previsioni a lungo termine e stimare gli eventi meteorologici estremi sono fondamentali per comprendere la mitigazione e l’adattamento climatico.

Modello MLÈ sempre stato considerato un mezzo alternativo per le previsioni meteorologiche, con il vantaggio di risparmiare sui costi di potenza di calcolo, e ha addirittura raggiunto o superato il livello dei modelli di circolazione atmosferica in termini di previsioni meteorologiche deterministiche.Le prestazioni nelle previsioni a lungo termine sono spesso inferiori a quelle dei modelli di circolazione generale。

In questo lavoro, il gruppo di ricerca ha progettato NeuralGCM combinando apprendimento automatico e metodi fisici, utilizzando componenti ML per sostituire o correggere il tradizionale schema di parametrizzazione fisica in GCM, che consiste nelle seguenti parti chiave:

• Nucleo di potenza differenziabile : Questo nucleo è responsabile della risoluzione di equazioni dinamiche discretizzate e della simulazione del movimento dei fluidi su larga scala e dei processi termodinamici, che sono influenzati dalla gravità, dalla forza di Coriolis e da altri fattori. Il nucleo dinamico utilizza la discretizzazione pseudospettrale orizzontale e le coordinate sigma verticali ed è implementato utilizzando la libreria JAX per supportare la differenziazione automatica. Simula sette variabili di previsione: vorticità del vento orizzontale, divergenza orizzontale del vento, temperatura, pressione superficiale e tre specie di acqua (umidità specifica, contenuto di acqua nelle nuvole di ghiaccio e contenuto di acqua nelle nuvole liquide).

• Modulo di studio della fisica : Questo modulo utilizza l'approccio a colonna singola in GCM, utilizzando solo le informazioni provenienti da una singola colonna atmosferica per prevedere gli effetti dei processi irrisolti all'interno di quella colonna. Utilizza una rete neurale completamente connessa con connessioni residue e condivide i pesi tra tutte le colonne atmosferiche. Gli input alla rete neurale includono variabili di previsione nella colonna atmosferica, radiazione solare totale incidente, concentrazione di ghiaccio marino e temperatura della superficie del mare, nonché gradienti orizzontali delle variabili di previsione. L'output della rete neurale è l'andamento della variabile prevista, scalato in base alla deviazione standard incondizionata del campo target.

• Codificatori e decodificatori : Poiché i dati ERA5 vengono memorizzati in coordinate di pressione mentre il nucleo di potenza utilizza il sistema di coordinate sigma, per la conversione sono necessari codificatori e decodificatori. Questi componenti eseguono un'interpolazione lineare tra i livelli di pressione e i livelli di coordinate sigma e vengono corretti utilizzando la stessa architettura di rete neurale del modulo di fisica appresa. L'encoder elimina le onde gravitazionali causate dallo shock di inizializzazione, evitando così di contaminare i risultati della previsione.

Figura |. Architettura del modello NeuralGCM. NeuralGCM combina i tradizionali solutori di fluidodinamica con le reti neurali per la fisica su piccola scala. Questi componenti sono assemblati da un risolutore di equazioni differenziali che fa avanzare sequenzialmente il sistema nel tempo. (Fonte: ricerca Google)

I risultati mostrano che NeuralGCM mostra forti capacità nella previsione meteorologica, competendo con modelli all’avanguardia su scale temporali a brevissimo, breve e medio termine. come segue:

Previsioni a brevissimo termine (0-1 giorno)

• Capacità di generalizzazione: rispetto a GraphCast, NeuralGCM offre prestazioni migliori in condizioni meteorologiche non addestrate perché utilizza reti neurali locali per prevedere i processi fisici nella colonna verticale dell'atmosfera.

Previsioni a breve termine (1-10 giorni)

• Precisione: NeuralGCM-0.7° e GraphCast offrono prestazioni migliori nelle previsioni a breve termine di 1-3 giorni, monitorando accuratamente i cambiamenti nei modelli meteorologici.

• Coerenza fisica: rispetto ad altri modelli di machine learning, le previsioni di NeuralGCM sono più chiare, evitando previsioni fisicamente incoerenti e ambigue.

• Interpretabilità: diagnosticando le precipitazioni meno l'evaporazione, i risultati di NeuralGCM sono più interpretabili e facilitano l'analisi delle risorse idriche.

• Bilancio del vento geostrofico: NeuralGCM simula in modo più accurato la struttura verticale dei venti geostrofici e geostrofici e i loro rapporti rispetto a GraphCast.

Previsioni a medio termine (7-15 giorni)

• Previsioni d'insieme: gli errori RMSE, RMSB e CRPS medi dell'insieme di NeuralGCM-ENS con una risoluzione di 1,4° sono tutti inferiori a quelli di ECMWF-ENS, indicando che può catturare meglio il possibile stato meteorologico medio.

• Calibabilità: le previsioni d'insieme di NeuralGCM-ENS, come ECMWF-ENS, hanno un rapporto divergenza-abilità di circa 1, che è una condizione necessaria per calibrare le previsioni.

Inoltre, oltre alle sue eccellenti prestazioni nelle previsioni meteorologiche, NeuralGCM ha anche dimostrato forti capacità nella simulazione climatica, come la simulazione del ciclo stagionale, la simulazione dei cicloni tropicali e la simulazione dell’andamento storico della temperatura. come segue:

Simulazione del ciclo stagionale

• Precisione: NeuralGCM è in grado di simulare accuratamente i cicli stagionali, compresi i cicli annuali dell'acqua precipitabile globale e dell'energia cinetica globale totale, nonché le dinamiche atmosferiche chiave come la cella di Hadley e il vento medio meridionale.

• Confronto con i modelli globali risolti nel cloud: NeuralGCM ha bias minori nell’acqua precipitabile e bias di temperatura inferiori nei tropici rispetto al modello globale risolto nel cloud X-SHiELD.

Simulazione del ciclone tropicale

• Tracce e numeri: anche con una risoluzione grossolana di 1,4°, NeuralGCM produce tracce e numeri di cicloni tropicali simili a ERA5, mentre il modello globale di risoluzione delle nuvole X-SHiELD sottostima il numero di cicloni tropicali con una risoluzione di 1,4°.

Video｜NeuralGCM prevede il percorso dei cicloni tropicali globali nel 2020. I risultati delle previsioni sono coerenti con il numero e l’intensità effettivi dei cicloni per quell’anno, come mostrato dal set di dati ECMWF Reanalysis Version 5 (ERA5). (Fonte: ricerca Google)

Simulazione dell'andamento storico della temperatura

• Simulazioni AMIP: NeuralGCM-2.8° ha condotto 40 anni di simulazioni AMIP e ha dimostrato che tutte le simulazioni hanno catturato accuratamente le tendenze del riscaldamento globale osservate nei dati ERA5 e che le tendenze della temperatura interannuale erano fortemente correlate con i dati ERA5, indicando che NeuralGCM può simulare efficacemente l'impatto delle forze SST sul clima.

• Confronto con il modello CMIP6: NeuralGCM-2.8° ha un bias di temperatura minore nel periodo 1981-2014 rispetto al modello AMIP CMIP6, un risultato che vale anche dopo aver rimosso il bias di temperatura globale dal modello AMIP CMIP6.

Figura |. Precisione e capacità di NeuralGCM di catturare il riscaldamento globale su scale temporali decennali. Confronto delle prestazioni di NeuralGCM e AMIP nella previsione della temperatura media globale dal 1980 al 2020. (Fonte: ricerca Google)

Sebbene NeuralGCM abbia dimostrato forti capacità nella previsione meteorologica e climatica,Ci sono ancora alcune limitazioni。

Primo,NeuralGCM ha una capacità limitata di prevedere il clima futuro . NeuralGCM non è attualmente in grado di prevedere climi futuri che differiscono in modo significativo dai climi storici. Quando la temperatura della superficie del mare (SST) aumenta notevolmente (ad esempio +4K), la risposta di NeuralGCM non è in linea con le aspettative e si verifica una deriva climatica.

In secondo luogo,NeuralGCM non ha capacità sufficiente per simulare il clima non osservato . Similmente ad altri modelli climatici di machine learning, NeuralGCM affronta anche la sfida di simulare il clima non osservato, come il clima futuro o il clima che differisce notevolmente dai dati storici. Ciò richiede modelli con capacità di generalizzazione più forti e strategie di formazione più avanzate, come la formazione contraddittoria o il meta-apprendimento.

Poi,NeuralGCM presenta anche vincoli fisici e problemi di stabilità numerica . Ad esempio, la distribuzione spettrale di NeuralGCM è ancora più vaga di quella delle previsioni fisiche dell’ECMWF, e vi è una sottostima nella simulazione degli eventi estremi tropicali. Ciò richiede ulteriore ricerca e miglioramento della parametrizzazione del processo fisico e dei metodi numerici del modello per migliorare la consistenza fisica e la stabilità numerica del modello.

infine,Mancanza di accoppiamento con altri componenti del sistema Terra . Al momento, NeuralGCM simula solo il sistema atmosferico, mentre il sistema climatico è un sistema complesso che interagisce, comprendente oceani, terra, ghiaccio, neve e biosfera. Per eseguire simulazioni climatiche più complete, NeuralGCM deve essere accoppiato a questi componenti e tenere conto delle interazioni tra loro. Ciò richiede lo sviluppo di nuove architetture di modelli e strategie di formazione per consentire simulazioni multifisiche accoppiate.

Le previsioni meteorologiche tradizionali e la simulazione climatica vengono sovvertite dall’intelligenza artificiale

NeuralGCM non è un “pioniere” quando si tratta di previsioni meteorologiche e simulazione climatica。

Negli ultimi anni, le aziende tecnologiche e le università, tra cui Huawei, Google e l’Università Tsinghua, hanno compiuto progressi significativi in ​​questa direzione.

Nel luglio 2023, sviluppato da Huawei CloudModello Pangu-MeteoBoarded in Nature, utilizza 39 anni di dati meteorologici di rianalisi globale come dati di addestramento. La sua precisione di previsione è paragonabile al miglior sistema di previsione meteorologica numerica IFS al mondo ed è più di 10.000 volte più veloce del sistema IFS con la stessa risoluzione spaziale.

Un altro articolo pubblicato contemporaneamente su Nature introducevaOracastNet, che proviene da un gruppo di ricerca guidato da Michael Jordan, professore dell'Università della California, Berkeley, e Wang Jianmin, professore dell'Università di Tsinghua. Questo modello può combinare leggi fisiche e apprendimento profondo per prevedere le precipitazioni in tempo reale.

Nel novembre 2023, Google DeepMind ha lanciato un modello di previsione meteorologica basato sull'apprendimento automatico——Grafico Cast , con una risoluzione globale di 0,25°, il modello può prevedere centinaia di variabili meteorologiche per i prossimi 10 giorni in un minuto, significativamente meglio dei metodi di previsione meteorologica tradizionali, pur ottenendo buone prestazioni nella previsione di eventi estremi. Importanti documenti di ricerca sono stati pubblicati sull’autorevole rivista scientifica Science.

Nel marzo di quest’anno, un modello di intelligenza artificiale sviluppato anch’esso dal team di ricerca di Google ha sconfitto il più avanzato sistema di allarme globale per le inondazioni. Utilizzava 5.680 indicatori esistenti per l’addestramento e poteva prevedere il deflusso giornaliero in bacini idrografici non misurati entro un periodo di previsione di 7 giorni.

Oggi, le tradizionali previsioni meteorologiche e la simulazione climatica vengono sovvertite dall’intelligenza artificiale. In futuro, l’intelligenza artificiale accelererà ulteriormente la velocità e l’accuratezza delle previsioni meteorologiche, a vantaggio di tutta l’umanità.

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

｜Fai clic per seguirmi e ricordati di contrassegnare come Speciale｜