notizia

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Nuovo rapporto sulla saggezza

Redattore: Dipartimento editoriale

[Introduzione alla Nuova Saggezza] Google ha proposto un nuovo modello di circolazione atmosferica basato su ML NeuralGCM, che consente di risparmiare diversi ordini di grandezza di calcoli rispetto ai tradizionali modelli basati sulla fisica e riduce i costi computazionali di 100.000 volte, il che equivale a 25 anni di progressi nel campo dell'alta tecnologia. calcolo delle prestazioni. Per le previsioni meteorologiche a 2-15 giorni, questo metodo è più accurato del modello fisico SOTA.

Questa mattina presto, il CEO di Google Pichai ha pubblicato un post su X, annunciando che NeuralGCM ha fatto un importante passo avanti nel campo della modellazione climatica!

"NeuralGCM combina la modellazione basata sulla fisica con l'intelligenza artificiale per simulare l'atmosfera 100.000 volte più efficientemente rispetto ad altri modelli, fornendo agli scienziati nuovi strumenti per prevedere il cambiamento climatico."

Questo risultato della ricerca è stato pubblicato anche su Nature. La maggior parte del gruppo di ricerca proviene da Google Research e DeepMind, nonché da scienziati del MIT, di Harvard e dell'ECMWF.

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

Il modello sviluppato da Google, chiamato NeuralGCM, può simulare in modo rapido, efficiente e accurato l'atmosfera terrestre.

Il suo significato è quello di aiutare gli scienziati a fare previsioni accurate sul clima terrestre in un momento in cui la terra si sta riscaldando a un ritmo senza precedenti.

Quali aree dovranno affrontare una siccità prolungata a causa dell’aumento della temperatura globale? Dove saranno più frequenti le inondazioni costiere dovute alle grandi tempeste tropicali? Come cambierà la stagione degli incendi con l’aumento delle temperature?

Di fronte a questi problemi urgenti, il tradizionale modello di circolazione generale (GCM) basato sulla fisica sembra essere in qualche modo forzato e manca di stabilità sufficiente quando si confronta con simulazioni meteorologiche e climatiche a lungo termine.

NeuralGCM è un metodo basato sull'apprendimento automatico che combina la modellazione fisica tradizionale per migliorare notevolmente la precisione e l'efficienza della simulazione.

Questo metodo genera previsioni meteorologiche da 2 a 15 giorni che sono più accurate degli attuali modelli fisici all’avanguardia e riproducono le temperature degli ultimi 40 anni in modo più accurato rispetto ai modelli atmosferici tradizionali.

Segna un passo importante verso lo sviluppo di modelli climatici più potenti e più facili da usare.

NeuralGCM ha simulato il modello di cambiamento dell'umidità specifica dal 26 dicembre 2019 all'8 gennaio 2020

NeuralGCM trasforma la modellizzazione climatica

Sebbene i modelli climatici convenzionali siano migliorati negli ultimi decenni, spesso soffrono di errori e pregiudizi dovuti alla comprensione incompleta da parte degli scienziati di come funziona il clima terrestre e di come sono costruiti i modelli.

Questi modelli dividono lo spazio dalla superficie all’atmosfera in cubi con lati di 50-100 chilometri, e quindi prevedono i cambiamenti meteorologici in ciascun cubo in un periodo di tempo.

Il modello calcola quindi il movimento dell'aria e dell'umidità sulla base di leggi fisiche generalmente accettate, che costituiscono la base per le previsioni meteorologiche.

Ma il problema è che la scala dei 50-100 chilometri è davvero troppo grande.

Molti importanti processi climatici, comprese le nuvole e le precipitazioni, variano su scale inferiori alle dimensioni del cubo utilizzate nei modelli attuali (da millimetri a chilometri).

Inoltre, la comprensione fisica da parte degli scienziati di alcuni processi, come la formazione delle nubi, è incompleta.

Di conseguenza, questi modelli tradizionali si basano non solo su principi fondamentali ma utilizzano anche modelli semplificati per generare approssimazioni chiamate "parametrizzazioni" per simulare processi su piccola scala e poco compresi.

Queste approssimazioni semplificate riducono inevitabilmente l’accuratezza dei modelli climatici basati sulla fisica.

Quindi, come risolve NeuralGCM questo problema?

Come i modelli tradizionali, NeuralGCM divide ancora l'atmosfera terrestre in cubi e calcola la fisica dei processi su larga scala come il movimento dell'aria e dell'acqua.

La differenza è che NeuralGCM non si basa più su approssimazioni “parametriche” sviluppate dagli scienziati per simulare cambiamenti meteorologici su piccola scala, ma utilizza le reti neurali per apprendere i principi fisici di questi eventi dai dati meteorologici esistenti.

Un’innovazione chiave di NeuralGCM è che il risolutore numerico per processi su larga scala è stato riscritto da zero in JAX.

Ciò consente ai ricercatori di utilizzare l'ottimizzazione basata sul gradiente per regolare il comportamento "online" dei sistemi accoppiati su più passaggi temporali.

Al contrario, i precedenti tentativi di utilizzare l’apprendimento automatico per migliorare i modelli climatici hanno incontrato notevoli difficoltà con la stabilità numerica perché utilizzano una formazione “offline” che ignora le differenze tra processi su piccola scala e su larga scala che si accumulano nel tempo.

Un altro vantaggio di scrivere l’intero modello in JAX è che funziona in modo efficiente su TPU e GPU, mentre i modelli climatici tradizionali funzionano principalmente su CPU.

NeuralGCM combina i tradizionali risolutori di fluidodinamica con le reti neurali per la fisica su piccola scala. Questi componenti vengono riuniti attraverso un risolutore di equazioni differenziali per far avanzare il sistema in ordine cronologico.

Il team di Google ha utilizzato i dati meteorologici dell’ECMWF dal 1979 al 2019 per addestrare una serie di modelli NeuralGCM con risoluzioni di 0,7°, 1,4° e 2,8°.

Sebbene NeuralGCM sia addestrato sulla base dei dati delle previsioni meteorologiche, il team ha progettato NeuralGCM come un modello atmosferico generale.

Previsioni meteorologiche e previsioni climatiche accurate

I recenti modelli di machine learning (ML) dell’atmosfera terrestre, incluso GraphCast di Google DeepMind, hanno dimostrato un’accuratezza rivoluzionaria nelle previsioni meteorologiche.

Ad oggi, la ricerca sulle previsioni ML si è concentrata principalmente su previsioni a breve termine, che vanno ben lontano dagli anni o dai decenni necessari per le previsioni climatiche.

Poiché le previsioni climatiche pluridecennali sono difficili da verificare in modo affidabile, il team di Google ha valutato le prestazioni di NeuralGCM nelle previsioni su scala climatica e come modello meteorologico utilizzando il benchmark WeatherBench 2 stabilito.

Il modello deterministico di NeuralGCM con una risoluzione di 0,7° è paragonabile agli attuali modelli all'avanguardia in termini di precisione delle previsioni meteorologiche e la precisione delle previsioni meteorologiche può raggiungere i 5 giorni.

Tuttavia, i modelli deterministici non hanno l’incertezza quantitativa necessaria per fare previsioni utili su tempi lunghi.

Gli insiemi di previsioni vengono generati da condizioni iniziali leggermente diverse per produrre una gamma di condizioni meteorologiche ugualmente probabili. Questi insiemi producono previsioni meteorologiche probabilistiche che sono generalmente più accurate delle previsioni deterministiche.

Il modello ensemble di NeuralGCM con una risoluzione di 1,4° supera il precedente SOTA in termini di precisione di previsione da 5 a 15 giorni.

Questo miglioramento delle prestazioni è dovuto al fatto che NeuralGCM genera previsioni meteorologiche d'insieme, che sono paragonabili al modello SOTA basato sulla fisica ECMWF-ENS di ECMWF.

Tra i modelli ML pubblicati, NeuralGCM è il primo a farlo.

Le previsioni d'insieme di NeuralGCM sono più accurate di quelle di ECMWF-ENS nel 95% dei casi su previsioni che vanno da 2 a 15 giorni.

NeuralGCM supera anche i modelli atmosferici all’avanguardia nelle previsioni su scala temporale del clima.

Poiché NeuralGCM simula solo la componente atmosferica del clima terrestre, il team di Google ha confrontato le sue prestazioni con modelli atmosferici basati sulla fisica.

Quando si prevedono le temperature tra il 1980 e il 2020, l’errore medio del modello deterministico di 2,8° di NeuralGCM è un terzo dell’errore del modello atmosferico (AMIP), ovvero 0,25 contro 0,75 gradi Celsius.

Confronto delle prestazioni di NeuralGCM e AMIP nella previsione della temperatura media globale di 1000 hPa tra il 1980 e il 2020

Poiché i modelli atmosferici tradizionali hanno difficoltà a simulare alcuni aspetti dell’atmosfera terrestre, gli scienziati del clima a volte utilizzano modelli a risoluzione più elevata come X-SHiELD, che, sebbene più accurati, sono più costosi dal punto di vista computazionale.

Rispetto a X-SHiELD, il modello deterministico di 1,4° di NeuralGCM ha ridotto gli errori del 15-50% nella previsione dei dati di umidità e temperatura del 2020 forniti dalla National Oceanic and Atmospheric Administration (NOAA).

Durante la simulazione climatica del 2020, NeuralGCM ha anche previsto modelli di cicloni tropicali che corrispondevano al numero e all’intensità delle tempeste osservate nella stessa regione quell’anno.

NeuralGCM è il primo modello basato sull’apprendimento automatico in grado di generare tali modelli.

NeuralGCM prevede le tracce dei cicloni tropicali a livello globale nel 2020 (i numeri e le intensità delle tempeste previsti corrispondono ai numeri e alle intensità effettivi dei cicloni registrati nel set di dati ECMWF Reanalysis v5 (ERA5))

Aperto, veloce ed efficiente

NeuralGCM è ordini di grandezza più veloce in termini di velocità di calcolo e costi rispetto ai tradizionali modelli climatici basati sulla fisica.

Il suo modello da 1,4° è più di 3.500 volte più veloce di X-SHiELD, il che significa che se i ricercatori simulassero l'atmosfera di un anno con X-SHiELD, ci vorrebbero 20 giorni, rispetto ai soli 8 minuti con NeuralGCM.

Inoltre, gli scienziati hanno bisogno solo di un computer con una singola TPU (Tensor Processing Unit) per eseguire NeuralGCM, mentre l’esecuzione di X-SHiELD richiede l’uso di un supercomputer da 13.000 CPU (Central Processing Unit).

Nel complesso, il costo computazionale della simulazione climatica utilizzando NeuralGCM è 100.000 volte inferiore a quello di X-SHiELD, equivalente a 25 anni di progressi nel calcolo ad alte prestazioni.

NeuralGCM simula l'atmosfera più velocemente dei modelli fisici all'avanguardia generando previsioni con la stessa precisione

In questo grafico, NeuralGCM compete con due modelli fisici, NCAR CAM e NOAA X-SHiELD, per confrontare il numero di giorni di simulazione atmosferica che generano in 30 secondi di tempo di calcolo.

I tre modelli funzionano a risoluzioni diverse, con X-SHiELD che ha la risoluzione più alta (0,03°), NCAR CAM6 che ha una risoluzione di 1,0° e NeuralGCM che ha la risoluzione più bassa (1,4°).

Vale la pena ricordare che, sebbene NeuralGCM funzioni a bassa risoluzione, la sua precisione è paragonabile ai modelli ad alta risoluzione.

Quindi, con una precisione comparabile, si può vedere che NeuralGCM può generare 22,8 giorni di simulazione atmosferica in 30 secondi, mentre X-SHiELD, come modello fisico ad alta risoluzione che deve essere eseguito su un supercomputer, può essere generato solo per 9 minuti!

Ciò elimina anche i vantaggi di NCAR CAM6, che in precedenza era preferito dai ricercatori per il suo basso costo computazionale.

Il team di Google ha divulgato il codice sorgente e i pesi del modello di NeuralGCM su GitHub per uso non commerciale. Sperano che altri ricercatori possano facilmente aggiungere nuovi componenti per testare ipotesi e migliorare la funzionalità del modello.

Inoltre, poiché NeuralGCM può essere eseguito su un laptop e non richiede il supporto di un supercomputer, un numero maggiore di ricercatori climatici è in grado di utilizzare questo modello all’avanguardia nel loro lavoro.

Conclusioni e direzioni future

NeuralGCM attualmente modella solo l'atmosfera terrestre, ma il team di Google spera di incorporare eventualmente altri aspetti del sistema climatico terrestre, come gli oceani e il ciclo del carbonio, nel modello.

In questo modo, NeuralGCM sarà in grado di fare previsioni su scale temporali più lunghe, non solo prevedendo il tempo su giorni e settimane, ma anche su scale temporali climatiche.

Tutto sommato, NeuralGCM propone un nuovo modo di costruire modelli climatici che potrebbero essere più veloci, meno costosi dal punto di vista computazionale e più accurati rispetto ai modelli esistenti.

Riferimenti:

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