notizia

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Cose intelligenti (account pubblico:zhidxcom）
Compilato da Meng Qiang
Redattore Yunpeng

Intelligent Things ha riferito il 24 luglio che Google ha pubblicato un articolo su Nature il 23 luglio, presentando il modello atmosferico NeuralGCM sviluppato in collaborazione con il Centro europeo per le previsioni meteorologiche a medio termine (ECMWF). Questo modello combina modelli tradizionali basati sulla modellazione fisica con Machine l'apprendimento è combinato per migliorare l'accuratezza e l'efficienza dei modelli nella previsione del tempo e del clima.

Il documento mostra che la precisione delle previsioni di NeuralGCM da 1 a 15 giorni è paragonabile a quella di ECMWF, che dispone del modello di previsione meteorologica fisica tradizionale più avanzato al mondo. Dopo aver aggiunto la temperatura della superficie del mare, i risultati delle previsioni climatiche a 40 anni di NeuralGCM sono coerenti con quelli di ECMWF dati Le tendenze del riscaldamento globale ottenute sono coerenti anche con NeuralGCM che supera i modelli climatici esistenti nel prevedere i cicloni e le loro traiettorie;

Vale la pena ricordare che NeuralGCM è "molto più avanti" anche in termini di velocità: può generare 22,8 giorni di simulazione atmosferica in 30 secondi di tempo di calcolo e il costo di calcolo è 100.000 volte inferiore rispetto al GCM tradizionale. Essendo il primo modello climatico basato sull’apprendimento automatico, NeuralGCM ha portato la previsione meteorologica e la simulazione climatica a un nuovo livello in termini di accuratezza ed efficienza della previsione.

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

1. L’apprendimento automatico guida la trasformazione del modello climatico

La Terra si sta riscaldando a un ritmo senza precedenti e negli ultimi anni si sono verificati frequentemente eventi meteorologici estremi. L’Organizzazione meteorologica mondiale ha dichiarato che il 2023 sarà l’anno più caldo mai registrato e il 2024 potrebbe essere ancora più caldo. Nel contesto di frequenti condizioni meteorologiche estreme, l’importanza della previsione climatica è particolarmente importante.

Il Modello di Circolazione Generale (GCM) è la base per le previsioni meteorologiche e climatiche ed è un modello tradizionale utilizzato per simulare e prevedere l'atmosfera terrestre e il sistema climatico basato sulla fisica. Simulando processi fisici come l'atmosfera terrestre, gli oceani, la terra e le calotte glaciali, il GCM può fornire previsioni meteorologiche e climatiche a lungo termine. Sebbene i modelli climatici convenzionali siano migliorati da decenni, spesso soffrono di errori e pregiudizi dovuti alla comprensione incompleta da parte degli scienziati di come funziona il clima terrestre e di come vengono costruiti i modelli.

Stephan Hoyer, ingegnere senior di Google, ha affermato che il tradizionale GCM divide la terra in cubi che si estendono dalla superficie all'atmosfera, con lati di solito lunghi 50-100 chilometri, e in base a ciò prevede i cambiamenti meteorologici in ciascun cubo per un periodo di tempo. . Arrivano alle loro previsioni calcolando i cambiamenti dinamici nell'aria e nell'umidità in base alle leggi della fisica. Ma molti importanti processi climatici, come la formazione delle nuvole e le precipitazioni, variano su una scala che va dai millimetri ai chilometri, che è molto più piccola della dimensione del cubo attualmente utilizzata nei GCM, e quindi non può essere calcolata con precisione sulla base della fisica.

Inoltre, gli scienziati non hanno una comprensione fisica completa di alcuni processi, come il modo in cui si formano le nuvole. Pertanto, questi modelli tradizionali non si basano interamente su principi fisici, ma utilizzano modelli semplificati per generare approssimazioni per parametrizzare le dinamiche meteorologiche, ma questo approccio riduce la precisione dei GCM.

Come i modelli tradizionali, NeuralGCM divide l'atmosfera terrestre in cubi e calcola le proprietà fisiche dei processi di cambiamento su larga scala come il movimento dell'aria e il movimento dell'acqua. Ma per le dinamiche meteorologiche su piccola scala come la formazione di nuvole, NeuralGCM non utilizza la parametrizzazione tradizionale, ma utilizza le reti neurali per apprendere le caratteristiche fisiche di queste dinamiche meteorologiche dai dati meteorologici esistenti.

Hoyer ha rivelato che un’innovazione chiave di NeuralGCM è che Google ha scritto da zero un risolutore numerico per processi di cambiamento su larga scala in JAX, che consente di regolare il modello “online” utilizzando l’ottimizzazione basata sul gradiente. Un altro vantaggio di scrivere l’intero modello in JAX è che il modello può funzionare in modo efficiente su TPU e GPU, mentre i modelli climatici tradizionali funzionano principalmente su CPU.

2. L’accuratezza della previsione è migliore rispetto all’attuale modello all’avanguardia

L'articolo mostra che le prestazioni del modello deterministico di NeuralGCM (che produce un singolo risultato di previsione deterministica) con una risoluzione di 0,7° sono paragonabili agli attuali modelli all'avanguardia e la precisione delle previsioni meteorologiche può raggiungere i 5 giorni.

I modelli deterministici potrebbero non rappresentare completamente la diversità degli stati futuri del sistema climatico perché forniscono solo un risultato di previsione. Pertanto, nelle previsioni climatiche vengono introdotte previsioni d’insieme, che generano una serie di possibili scenari meteorologici basati su un insieme leggermente diverso di condizioni iniziali. Quando integrate, le previsioni d'insieme producono previsioni meteorologiche probabilistiche che sono generalmente più accurate delle previsioni deterministiche. Il documento afferma che il modello di previsione ensemble con risoluzione 1,4° di NeuralGCM supera gli attuali modelli all’avanguardia in termini di precisione della previsione da 5 a 15 giorni.

Inoltre, anche la precisione delle previsioni climatiche di NeuralGCM per intervalli di tempo più lunghi è superiore rispetto agli attuali modelli all’avanguardia. Nel prevedere le temperature nel periodo di 40 anni dal 1980 al 2020, il modello deterministico di 2,8° di NeuralGCM aveva un errore medio di soli 0,25 gradi Celsius, un terzo dell’errore dell’Atmospheric Model Intercomparison Project (AMIP).

3. Completa la simulazione della dinamica atmosferica di un anno in 8 minuti

Hoyer ha affermato che la velocità di calcolo di NeuralGCM è diversi ordini di grandezza più veloce di quella del GCM tradizionale e anche il costo di calcolo è inferiore. Il modello 1,4° di NeuralGCM è oltre 3.500 volte più veloce del modello climatico ad alta precisione X-SHiELD. In altre parole, i ricercatori hanno impiegato 20 giorni per simulare un anno di dinamica atmosferica utilizzando X-SHiELD, ma solo 8 minuti utilizzando NeuralGCM.

Inoltre, i ricercatori devono richiedere l’accesso a un supercomputer con 13.000 CPU per eseguire X-SHiELD, mentre l’esecuzione di NeuralGCM richiede solo un computer con un singolo TPU. Hoyer ha affermato che il costo computazionale della simulazione climatica utilizzando NeuralGCM è centomila volte quello dell’utilizzo di X-SHiELD.

Conclusione: verso un modello di previsione climatica più aperto, veloce ed efficiente

Il team di ricerca di Google ha reso pubblico il codice sorgente e i pesi del modello di NeuralGCM su GitHub per uso non commerciale. Hoyer ha affermato che Google spera che i ricercatori di tutto il mondo possano partecipare attivamente ai test e al miglioramento del modello. NeuralGCM può essere eseguito su un laptop, quindi si spera che più ricercatori sul clima utilizzino il modello nel loro lavoro.

Attualmente, NeuralGCM simula solo l’atmosfera terrestre, ma Google spera di incorporare nel modello in futuro altri sistemi climatici, come gli oceani e il ciclo del carbonio. Sebbene NeuralGCM non sia ancora un modello climatico completo, la sua comparsa fornisce nuove idee per la previsione climatica. In futuro, ci aspettiamo di vedere l’intelligenza artificiale migliorare ulteriormente l’accuratezza e la velocità della previsione climatica.

Fonte: Google, Natura