ニュース

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

スマートなもの (公開アカウント:翻訳）
孟強編纂
編集者のユンペン

Intelligent things は 7 月 24 日、Google が 7 月 23 日に Nature 誌に論文を発表し、欧州中期天気予報センター (ECMWF) と協力して開発された NeuralGCM 大気モデルを紹介したと報じました。このモデルは、従来の物理モデリング ベースのモデルと Machine を組み合わせたものです。学習を組み合わせて、天気と気候を予測する際のモデルの精度と効率を向上させます。

この論文は、NeuralGCM の 1 日から 15 日までの予測精度が、世界で最も先進的な伝統的な物理天気予報モデルを持つ ECMWF の予測精度に匹敵することを示しており、海面水温を追加した後、NeuralGCM の 40 年間の気候予測結果は ECMWF の予測精度と一致しています。データ 得られた地球温暖化傾向は一貫しており、NeuralGCM はサイクロンとその軌道の予測においても既存の気候モデルを上回っています。

NeuralGCM は速度の点でも「はるかに先を行っている」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でき、計算コストは​​従来の GCM よりも 100,000 分の 1 です。 NeuralGCM は、機械学習に基づく初の気候モデルとして、予測の精度と効率の点で、気象予測と気候シミュレーションを新たなレベルに引き上げました。

論文アドレス: https://www.nature.com/articles/s41586-024-07744-y

1. 機械学習が気候モデルの変革を促進する

地球は前例のない速度で温暖化しており、近年異常気象が頻繁に発生しており、世界気象機関は2023年が観測史上最も暑い年となり、2024年はさらに暑くなる可能性があると発表した。異常気象が頻繁に起こる状況では、気候予測の重要性が特に顕著になります。

大循環モデル (GCM) は天気と気候の予測の基礎であり、物理学に基づいて地球の大気と気候システムをシミュレーションおよび予測するために使用される伝統的なモデルです。 GCM は、地球の大気、海洋、陸地、氷床などの物理プロセスをシミュレートすることにより、長期的な天気と気候の予測を提供できます。従来の気候モデルは何十年にもわたって改善されてきましたが、地球の気候がどのように機能し、モデルがどのように構築されるかについての科学者の理解が不完全であるため、誤差や偏見に悩まされることがよくあります。

Googleのシニアエンジニア、ステファン・ホイヤー氏は、従来のGCMは地球を地表から大気圏まで伸びる立方体に分割し、辺の長さは通常50～100キロメートルで、これに基づいて一定期間にわたる各立方体の気象変化を予測すると述べた。 。彼らは、物理法則に基づいて空気と水分の動的な変化を計算することで予測に到達します。しかし、雲の形成や降雨などの多くの重要な気候プロセスは、ミリメートルからキロメートルの範囲のスケールで変化しますが、これは現在 GCM で使用されている立方体サイズよりもはるかに小さいため、物理学に基づいて正確に計算することはできません。

さらに、科学者は雲の形成方法など、一部のプロセスについて完全な物理的理解を欠いています。したがって、これらの従来のモデルは物理原理に完全に依存するのではなく、単純化されたモデルを使用して近似値を生成し、気象力学をパラメータ化しますが、このアプローチでは GCM の精度が低下します。

従来のモデルと同様に、NeuralGCM は地球の大気を立方体に分割し、空気の動きや水の動きなどの大規模な変化プロセスの物理的特性を計算します。ただし、雲の形成などの小規模な気象力学の場合、NeuralGCM は従来のパラメーター化を使用せず、ニューラル ネットワークを使用して、既存の気象データからこれらの気象力学の物理的特性を学習します。

Hoyer 氏は、NeuralGCM の重要な革新点は、Google が大規模な変更プロセス用の数値ソルバーを JAX でゼロから作成したことであると明らかにしました。これにより、勾配ベースの最適化を使用してモデルを「オンライン」で調整できるようになります。 JAX でモデル全体を記述することのもう 1 つの利点は、従来の気候モデルが主に CPU で実行されるのに対し、モデルは TPU と GPU で効率的に実行できることです。

2. 現在の最先端モデルよりも予測精度が向上

この論文は、NeuralGCM の決定論的モデル (単一の決定論的予測結果を出力する) の解像度 0.7° でのパフォーマンスが現在の最先端モデルに匹敵し、天気予報の精度が 5 日に達する可能性があることを示しています。

決定論的モデルは、1 つの予測結果しか提供しないため、気候システムの将来の状態の多様性を完全には表現できない可能性があります。そのため、わずかに異なる初期条件のセットに基づいて一連の可能な気象シナリオを生成するアンサンブル予測が気候予測に導入されます。統合すると、アンサンブル予報は、一般に決定論的な予報よりも正確な確率的な天気予報を生成します。この論文では、NeuralGCM の 1.4° 解像度のアンサンブル予測モデルは、5 日から 15 日の予測精度の点で現在の最先端のモデルを上回っていると述べています。

さらに、NeuralGCM の長期にわたる気候予測精度も、現在の最先端モデルよりも高くなっています。 1980 年から 2020 年までの 40 年間の気温を予測する場合、NeuralGCM の 2.8° 決定論的モデルの平均誤差はわずか摂氏 0.25 度で、これは大気モデル相互比較プロジェクト (AMIP) の誤差の 3 分の 1 でした。

3. 1 年間の大気動態シミュレーションを 8 分で完了

Hoyer氏は、NeuralGCMの計算速度は従来のGCMよりも数桁速く、計算コストも低いと述べた。 NeuralGCM の 1.4° モデルは、高精度気候モデル X-SHiELD よりも 3,500 倍以上高速です。言い換えれば、研究者らは X-SHiELD を使用して 1 年間の大気力学をシミュレーションするのに 20 日かかりましたが、NeuralGCM を使用した場合はわずか 8 分でした。

さらに、研究者は X-SHiELD を実行するには 13,000 個の CPU を備えたスーパーコンピューターへのアクセスを要求する必要がありますが、NeuralGCM を実行するには 1 つの TPU を備えたコンピューターのみが必要です。 Hoyer 氏は、NeuralGCM を使用した気候シミュレーションの計算コストは​​、X-SHiELD を使用した場合の 10 万倍であると述べました。

結論: よりオープンで高速かつ効率的な気候予測モデルに向けて

Google Research チームは、NeuralGCM のソース コードとモデルの重みを非営利目的で GitHub で公開していると、Google は世界中の研究者がモデルのテストと改善に積極的に参加できることを望んでいる、と Hoyer 氏は述べています。 NeuralGCM はラップトップ上で実行できるため、より多くの気候研究者が研究でこのモデルを使用することが期待されます。

現在、NeuralGCM は地球の大気のみをシミュレートしていますが、Google は将来的には海洋や炭素循環などの他の気候システムをモデルに組み込むことを望んでいます。 NeuralGCM はまだ完全な気候モデルではありませんが、その出現により気候予測に新しいアイデアが提供され、将来的には AI によって気候予測の精度と速度がさらに向上すると期待されています。

出典: Google、ネイチャー