ニュース

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

作者: 馬雪偉

編集者 | クーパー

序文

世界気象機関 (WMO) のデータによると、過去 50 年間、平均的な気象、気象、洪水関連の災害が毎日発生しており、各災害は平均約 115 人の死者と約 2 億 200 万米ドルの経済的損失を引き起こします。。

さらに嘆かわしいのは、近年、人間の活動によって気候変動が加速し、熱波、寒波、豪雨、干ばつなどの異常気象や気象災害が頻繁に発生していることです。

したがって、タイムリーかつ正確高度な気象予測と気候モデリングは、毎年何万人もの命を救うだけでなく、異常気象や気候変動が人間社会や生態系に及ぼす壊滅的な影響を軽減することもできます。

今、Google Research 研究チームとその協力者によって開発された人工知能 (AI) モデルである NeuralGCM は、天気予報と気候シミュレーションを新たなレベルに引き上げます——

• NeuralGCM の 1 ～ 15 日間の予報の精度は、世界で最も先進的な従来の物理天気予報モデルを備えた欧州中期天気予報センター (ECMWF) の精度に匹敵します。

• 10 日間の予測の精度に関しては、NeuralGCM は他の既存の AI モデルと同等かそれ以上のパフォーマンスを発揮します。

• 海面温度を追加した後、NeuralGCM の 40 年間の気候予測結果は、ECMWF データに見られる地球温暖化傾向と一致しています。

• また、NeuralGCM は、サイクロンとその軌道の予測において、既存の気候モデルよりも優れています。

NeuralGCM は、精度の点で既存の従来の数値気象予測モデルや他の機械学習 (ML) モデルに達しているか、それを超えているだけでなく、速度の点でも「はるかに先を行っており」、次のような用途に使用できることは注目に値します。30 秒の計算時間で 22.8 日分の大気シミュレーションを生成; また、従来のモデルよりも桁違いに多くの計算を節約できます。

ビデオ | NeuralGCM は、最先端の物理モデルよりも高速に大気をシミュレートしながら、同等の精度で予測を生成します。このビデオでは、NeuralGCM と 2 つの物理モデル、NOAA X-SHiELD および NCAR CAM6 によって 30 秒の計算時間内で生成された大気シミュレーション日を比較しています。その中で、NOAA X-SHiELD はスーパーコンピューター上で実行する必要がある高解像度 (0.03°) の物理モデルであり、NCAR CAM6 は低い計算コストを必要とする低解像度 (1.0°) の純粋な大気物理モデルです。科学者の間でより一般的に使用される選択です。 NeuralGCM は低解像度 (1.4°) で動作しますが、その精度は高解像度モデルと同等です。 (出典: Google リサーチ)

関連する研究論文のタイトルは「気象と気候の神経大循環モデル」で、権威ある科学雑誌「ネイチャー」に掲載された。

まとめると、これらの結果は、NeuralGCM が天気、天気、気候の決定論的なアンサンブル予測を生成できることを示しており、長期的な気象および気候シミュレーションに対して十分な安定性を示しています。

研究チームは、このエンドツーエンドの深層学習は、従来の大循環モデル (GCM、大気、海洋、陸地の物理的プロセスを表し、天気と気候の予測の基礎となる) によって実行されるタスクと互換性があると考えています。 、地球システムの予測に重要な大規模な物理シミュレーションの理解を強化できます。

さらに、NeuralGCM のハイブリッド モデリング アプローチは、材料発見、タンパク質のフォールディング、マルチフィジックス工学設計などの他の科学分野にも適用できます。

本当の効果は何でしょうか？？

長期予報の不確実性を軽減し、異常気象を推定することは、気候の緩和と適応を理解する鍵となります。

MLモデルこれは、コンピューティング電力コストを節約できるという利点があるため、天気予報の代替手段として常に考えられており、決定論的な天気予報の点では大気循環モデルのレベルに達しているか、それを超えています。長期予測のパフォーマンスは大循環モデルより劣ることが多い。

この研究チームは、機械学習と物理的手法を組み合わせて NeuralGCM を設計しました。ML コンポーネントを使用して、GCM の従来の物理パラメータ化スキームを置き換えまたは修正しました。このスキームは次の主要な部分で構成されています。

• 微分可能なパワーコア : このコアは、離散化された動的方程式を解き、重力、コリオリ力、その他の要因の影響を受ける大規模な流体運動と熱力学プロセスをシミュレートする責任を負います。動的コアは、水平擬似スペクトル離散化と垂直シグマ座標を使用し、自動微分をサポートするために JAX ライブラリを使用して実装されます。これは、水平風渦度、水平風の発散、温度、表面圧力、および 3 つの水種 (比湿度、氷雲水分量、および液体雲水分量) の 7 つの予測変数をシミュレートします。

• 物理学の学習モジュール : このモジュールは GCM の単一列アプローチを使用し、単一の大気列からの情報のみを使用して、その列内の未解決のプロセスの影響を予測します。残りの接続を持つ完全に接続されたニューラル ネットワークを使用し、すべての大気列間で重みを共有します。ニューラル ネットワークへの入力には、大気柱の予測変数、総入射日射量、海氷密度、海面温度、および予測変数の水平勾配が含まれます。ニューラル ネットワークの出力は、ターゲット フィールドの無条件標準偏差によってスケールされた予測変数トレンドです。

• エンコーダとデコーダ : ERA5 データは圧力座標で保存されますが、パワーコアはシグマ座標系を使用するため、変換にはエンコーダーとデコーダーが必要です。これらのコンポーネントは、圧力レベルとシグマ座標レベルの間で線形補間を実行し、学習された物理モジュールと同じニューラル ネットワーク アーキテクチャを使用して修正されます。エンコーダは初期化衝撃によって引き起こされる重力波を除去し、それによって予測結果の汚染を回避します。

図 | NeuralGCM モデルのアーキテクチャ。 NeuralGCM は、小規模物理学向けに従来の流体力学ソルバーとニューラル ネットワークを組み合わせたものです。これらのコンポーネントは、システムを時間内で順次前進させる微分方程式ソルバーによって組み立てられます。 (出典: Google リサーチ)

結果は、NeuralGCM が気象予測において強力な能力を示し、超短期、短期、中期の時間スケールで最先端のモデルと競合することを示しています。次のように：

非常に短期的な予報 (0 ～ 1 日)

• 一般化能力: GraphCast と比較して、NeuralGCM はローカル ニューラル ネットワークを使用して大気の垂直柱の物理プロセスを予測するため、トレーニングされていない気象条件下でより優れたパフォーマンスを発揮します。

短期予報（1～10日）

• 精度: NeuralGCM-0.7° と GraphCast は、1 ～ 3 日の短期予報で最高のパフォーマンスを発揮し、気象パターンの変化を正確に追跡します。

• 物理的な一貫性: 他の機械学習モデルと比較して、NeuralGCM の予測はより明確であり、物理的に矛盾した曖昧な予測を回避します。

• 解釈可能性: 降水量から蒸発量を差し引いて診断することにより、NeuralGCM の結果はより解釈しやすくなり、水資源の分析が容易になります。

• 地衡風バランス: NeuralGCM は、GraphCast よりも地衡風と地衡風の鉛直構造とその比率をより正確にシミュレートします。

中期予報（7～15日）

• アンサンブル予報: 1.4°分解能での NeuralGCM-ENS のアンサンブル平均 RMSE、RMSB、CRPS 誤差はすべて ECMWF-ENS の誤差よりも低く、考えられる平均気象状態をより適切に捕捉できることを示しています。

• 校正性: NeuralGCM-ENS のアンサンブル予測は、ECMWF-ENS と同様に、発散スキル比が約 1 であり、これは予測を校正するために必要な条件です。

さらに、NeuralGCM は、気象予測における優れた性能に加えて、季節サイクル シミュレーション、熱帯低気圧シミュレーション、過去の気温傾向シミュレーションなどの気候シミュレーションでも優れた機能を実証しています。次のように：

季節サイクルシミュレーション

• 精度: NeuralGCM は、全球の降水可能水量と全球の総運動エネルギーの年間周期を含む季節周期に加え、ハドレー セルや子午線平均風などの主要な大気力学を正確にシミュレートできます。

• 全球雲分解モデルとの比較: NeuralGCM は、全球雲分解モデル X-SHiELD よりも、降水可能水域の偏りが小さく、熱帯地方の温度偏りが低くなります。

熱帯低気圧のシミュレーション

• 軌跡と数: 1.4°の粗い解像度でも、NeuralGCM は ERA5 と同様の熱帯低気圧の軌跡と数を生成しますが、全球雲解像度モデル X-SHiELD は 1.4° の解像度で熱帯低気圧の数を過小評価しています。

動画｜NeuralGCM が 2020 年の世界的な熱帯低気圧の進路を予測します。予測結果は、ECMWF 再解析バージョン 5 (ERA5) データセットで示されている、その年のサイクロンの実際の数と強度と一致しています。 (出典: Google リサーチ)

過去の温度傾向シミュレーション

• AMIP シミュレーション: NeuralGCM-2.8° は 40 年間にわたる AMIP シミュレーションを実施し、すべてのシミュレーションが ERA5 データで観察された地球温暖化傾向を正確に捉えていること、および年々の気温傾向が ERA5 データと強い相関があることを示し、NeuralGCM がその影響を効果的にシミュレーションできることを示しました。気候に影響を与えるSSTの影響。

• CMIP6 モデルとの比較: NeuralGCM-2.8° は、1981 年から 2014 年の間、CMIP6 AMIP モデルよりも温度バイアスが小さく、この結果は CMIP6 AMIP モデルから地球規模の温度バイアスを除去した後でも当てはまります。

図 | NeuralGCM の精度と、10 年単位の時間スケールで地球温暖化を捉える能力。 1980 年から 2020 年までの世界の平均気温を予測する際の NeuralGCM と AMIP のパフォーマンスの比較。 (出典: Google リサーチ)

NeuralGCM は天気と気候の予測において強力な機能を実証していますが、まだいくつかの制限があります。

初め、NeuralGCM の将来の気候を予測する能力は限られています 。 NeuralGCM は現在、過去の気候と大きく異なる将来の気候を予測できません。海面温度 (SST) が大幅に上昇すると (+4K など)、NeuralGCM の応答が期待と一致せず、気候ドリフトが発生します。

第二に、NeuralGCM には未観測の気候をシミュレートする能力が不十分です 。他の機械学習気候モデルと同様に、NeuralGCM も、将来の気候や過去のデータと大きく異なる気候など、観測されていない気候をシミュレートするという課題に直面しています。これには、より強力な一般化機能と、敵対的トレーニングやメタ学習などのより高度なトレーニング戦略を備えたモデルが必要です。

それから、NeuralGCM には物理的な制約と数値安定性の問題もあります 。たとえば、NeuralGCM のスペクトル分布は ECMWF の物理予報よりもまだ曖昧であり、熱帯の極端な現象のシミュレーションには過小評価があります。これには、モデルの物理的一貫性と数値安定性を向上させるために、モデルの物理プロセスのパラメータ化と数値的手法のさらなる研究と改善が必要です。

やっと、他の地球システムコンポーネントとの結合の欠如 。現在、NeuralGCM は大気システムのみをシミュレートしていますが、気候システムは海洋、陸地、氷と雪、生物圏を含む複雑な相互作用システムです。より包括的な気候シミュレーションを実行するには、NeuralGCM をこれらのコンポーネントに結合し、コンポーネント間の相互作用を考慮する必要があります。これには、結合されたマルチフィジックス シミュレーションを可能にする新しいモデル アーキテクチャとトレーニング戦略の開発が必要です。

従来の天気予報と気候シミュレーションは AI によって覆されつつあります

NeuralGCM は、天気予報と気候シミュレーションに関しては「先駆者」ではありません。

ここ数年、ファーウェイ、グーグル、清華大学などのテクノロジー企業や大学がこの方向で大きな進歩を遂げてきました。

2023年7月、Huawei Cloudによって開発Pangu-気象モデルNature に搭載されており、39 年分の全球再解析気象データをトレーニング データとして使用しており、その予測精度は世界最高の数値気象予測システム IFS に匹敵し、同じ空間解像度では IFS システムよりも 10,000 倍以上高速です。

同時にNatureに掲載された別の論文も紹介ナウキャストネットこれは、カリフォルニア大学バークレー校のマイケル・ジョーダン教授と清華大学の王建民教授が率いる研究チームによるものです。このモデルは、物理法則と深層学習を組み合わせて、降水量をリアルタイムで予測できます。

2023 年 11 月、Google DeepMind は機械学習に基づく天気予測モデルを開始しました—グラフキャスト 、0.25°の全地球解像度で、このモデルは 1 分間で今後 10 日間の何百もの気象変数を予測でき、従来の天気予報方法よりも大幅に優れていると同時に、極端な現象の予測でも優れたパフォーマンスを発揮します。関連する研究論文は、権威ある科学雑誌「サイエンス」に掲載されています。

今年 3 月、同じく Google Research チームが開発した AI モデルは、トレーニングに 5,680 個の既存の流域を使用して、最先端の世界規模の洪水警報システムを打ち破り、7 日間の予測期間内に計測されていない流域での毎日の流出を予測することができました。

現在、従来の天気予報と気候シミュレーションは AI によって破壊されつつあります。将来的には、AI によって天気予報の速度と精度がさらに加速し、全人類に恩恵がもたらされるでしょう。

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

｜クリックしてフォローし、スターを忘れずに｜