소식

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

작성자: 마쉐웨이

편집자 | 쿠퍼

머리말

세계기상기구(WMO)의 데이터에 따르면 지난 50년 동안 평균적인 기상, 기후 또는 홍수 관련 재해가 매일 발생했으며,각 재난으로 인해 평균 약 115명이 사망하고 약 2억 2백만 달러의 경제적 손실이 발생합니다.。

더욱 안타까운 것은 최근 인간 활동으로 가속화된 기후변화로 인해 폭염, 한파, 폭우, 가뭄 등 기상이변과 기후재난이 빈번하게 발생하고 있다는 점이다.

그러므로,시의적절하고 정확함고급 기상 예측 및 기후 모델링은 매년 수만 명의 생명을 구하는 데 도움이 될 뿐만 아니라 극한 기후 및 기후 현상이 인간 사회와 생태계에 미치는 치명적인 영향을 줄이는 데도 도움이 됩니다.

지금,Google Research 연구팀과 공동 작업자가 개발한 인공 지능(AI) 모델인 NeuralGCM은 날씨 예측 및 기후 시뮬레이션을 새로운 차원으로 끌어올립니다.——

• NeuralGCM의 1~15일 예측 정확도는 세계에서 가장 발전된 전통적인 물리적 일기 예보 모델을 보유한 유럽 중거리 기상 예보 센터(ECMWF)의 정확도와 비슷합니다.

• 10일 예측의 정확성을 위해 NeuralGCM은 기존의 다른 AI 모델과 동등하거나 더 나은 성능을 발휘합니다.

• 해수면 온도를 추가한 후 NeuralGCM의 40년 기후 예측 결과는 ECMWF 데이터에서 발견된 지구 온난화 추세와 일치합니다.

• NeuralGCM은 또한 사이클론과 그 궤적을 예측하는 데 있어 기존 기후 모델보다 성능이 뛰어납니다.

NeuralGCM은 정확도 측면에서 기존의 기존 수치 기상 예측 모델 및 기타 기계 학습(ML) 모델에 도달하거나 심지어 이를 능가할 뿐만 아니라 속도 측면에서도 "훨씬 앞서" 있으며 다음과 같은 용도로 사용할 수 있습니다.30초의 계산 시간으로 22.8일의 대기 시뮬레이션 생성; 그리고 기존 모델보다 훨씬 더 많은 계산을 저장할 수 있습니다.

비디오 | NeuralGCM은 최첨단 물리적 모델보다 더 빠르게 대기를 시뮬레이션하는 동시에 비슷한 정확도로 예측을 생성합니다. 이 비디오는 30초 계산 시간 내에 NeuralGCM과 두 가지 물리적 모델인 NOAA X-SHIELD 및 NCAR CAM6에서 생성된 대기 시뮬레이션 일수를 비교합니다. 그 중 NOAA X-SHIELD는 슈퍼컴퓨터에서 실행해야 하는 고해상도(0.03°) 물리적 모델이고, NCAR CAM6은 낮은 계산 비용이 필요한 저해상도(1.0°) 순수 대기 물리학 모델입니다. 과학자들 사이에서 더 일반적으로 사용되는 선택입니다. NeuralGCM은 더 낮은 해상도(1.4°)에서 작동하지만 정확도는 더 높은 해상도 모델과 비슷합니다. (출처: 구글 리서치)

관련 연구 논문은 '날씨와 기후에 대한 신경 일반 순환 모델'이라는 제목으로 권위 있는 과학저널 네이처(Nature)에 게재됐다.

이러한 결과는 NeuralGCM이 날씨, 날씨 및 기후에 대한 결정적 앙상블 예측을 생성하여 장기 날씨 및 기후 시뮬레이션에 충분한 안정성을 보여줄 수 있음을 보여줍니다.

연구팀은 이 엔드투엔드 딥러닝이 전통적인 일반 순환 모델(대기, 해양, 육지의 물리적 과정을 나타내며 날씨 및 기후 예측의 기초가 되는 GCM)이 수행하는 작업과 호환된다고 믿습니다. , 지구 시스템을 예측하는 데 중요한 대규모 물리 시뮬레이션에 대한 이해를 향상시킬 수 있습니다.

또한 NeuralGCM의 하이브리드 모델링 접근 방식은 재료 발견, 단백질 접힘, 다중 물리학 공학 설계 등 다른 과학 분야에도 적용될 수 있습니다.

실제 효과는 무엇입니까?？

장기 예측의 불확실성을 줄이고 기상 이변을 예측하는 것은 기후 완화 및 적응을 이해하는 데 중요합니다.

ML 모델이는 항상 컴퓨팅 전력 비용을 절감할 수 있는 장점을 지닌 대체 일기예보 수단으로 간주되어 왔으며, 결정론적 일기예보 측면에서는 대기 순환 모델 수준에 도달하거나 초과하기도 했습니다.장기 예측의 성능은 종종 일반 순환 모델보다 열등합니다.。

이 작업에서 연구팀은 기계 학습과 물리적 방법을 결합하고 ML 구성 요소를 사용하여 GCM의 기존 물리적 매개 변수화 체계를 대체하거나 수정함으로써 NeuralGCM을 설계했습니다. 이는 다음과 같은 주요 부분으로 구성됩니다.

• 미분 가능한 전력 코어 : 이 코어는 이산화된 동적 방정식을 풀고 중력, 코리올리 힘 및 기타 요인의 영향을 받는 대규모 유체 운동 및 열역학적 과정을 시뮬레이션하는 역할을 담당합니다. 동적 코어는 수평 의사 스펙트럼 이산화 및 수직 시그마 좌표를 사용하며 JAX 라이브러리를 사용하여 구현되어 자동 미분을 지원합니다. 수평풍 와도, 수평풍 발산, 온도, 표면압, 3가지 물종(비습도, 얼음 구름 수분 함량, 액체 구름 수분 함량) 등 7가지 예측 변수를 시뮬레이션합니다.

• 물리학 모듈 연구 : 이 모듈은 GCM의 단일 열 접근 방식을 사용하며 단일 대기 열의 정보만 사용하여 해당 열 내에서 해결되지 않은 프로세스의 영향을 예측합니다. 이는 잔여 연결이 있는 완전히 연결된 신경망을 사용하고 모든 대기 기둥 간에 가중치를 공유합니다. 신경망에 대한 입력에는 대기 기둥의 예측 변수, 총 입사 태양 복사량, 해빙 농도 및 해수면 온도는 물론 예측 변수의 수평 기울기가 포함됩니다. 신경망의 출력은 대상 필드의 무조건 표준 편차에 따라 조정된 예측 변수 추세입니다.

• 인코더 및 디코더 : ERA5 데이터는 압력 좌표로 저장되고, 전력 코어는 시그마 좌표계를 사용하므로 변환을 위해서는 인코더와 디코더가 필요합니다. 이러한 구성 요소는 압력 수준과 시그마 좌표 수준 사이의 선형 보간을 수행하고 학습된 물리 모듈과 동일한 신경망 아키텍처를 사용하여 수정됩니다. 인코더는 초기화 충격으로 인한 중력파를 제거하여 예측 결과의 오염을 방지합니다.

그림 | NeuralGCM 모델 아키텍처. NeuralGCM은 전통적인 유체 역학 솔버와 소규모 물리학을 위한 신경망을 결합합니다. 이러한 구성 요소는 시스템을 시간에 따라 순차적으로 발전시키는 미분 방정식 솔버에 의해 조립됩니다. (출처: 구글 리서치)

결과는 NeuralGCM이 초단기, 단기 및 중기 시간 규모에서 최첨단 모델과 경쟁하면서 날씨 예측에서 강력한 기능을 나타냄을 보여줍니다. 다음과 같이:

매우 단기적인 예측(0~1일)

• 일반화 능력: GraphCast에 비해 NeuralGCM은 로컬 신경망을 사용하여 대기 수직 기둥의 물리적 프로세스를 예측하기 때문에 훈련되지 않은 기상 조건에서 더 나은 성능을 발휘합니다.

단기 예측(1~10일)

• 정확도: NeuralGCM-0.7° 및 GraphCast는 1~3일의 단기 예측에서 가장 좋은 성능을 발휘하며 날씨 패턴의 변화를 정확하게 추적합니다.

• 물리적 일관성: 다른 기계 학습 모델에 비해 NeuralGCM의 예측은 더 명확하여 물리적으로 일관되지 않고 모호한 예측을 방지합니다.

• 해석성: 강수량에서 증발량을 뺀 값을 진단함으로써 NeuralGCM의 결과를 더욱 해석하기 쉽고 수자원 분석을 용이하게 합니다.

• 지균풍 균형: NeuralGCM은 GraphCast보다 지균풍 및 지균풍의 수직 구조와 그 비율을 더 정확하게 시뮬레이션합니다.

중기예보(7~15일)

• 앙상블 예측: 1.4° 분해능에서 NeuralGCM-ENS의 앙상블 평균 RMSE, RMSB 및 CRPS 오류는 모두 ECMWF-ENS의 오류보다 낮으며 이는 가능한 평균 기상 상태를 더 잘 포착할 수 있음을 나타냅니다.

• 교정 가능성: ECMWF-ENS와 마찬가지로 NeuralGCM-ENS의 앙상블 예측은 약 1의 발산-기술 비율을 가지며 이는 예측 교정에 필요한 조건입니다.

또한, NeuralGCM은 탁월한 기상 예측 성능 외에도 계절 주기 시뮬레이션, 열대 저기압 시뮬레이션, 과거 기온 추세 시뮬레이션 등 기후 시뮬레이션에서도 강력한 기능을 입증했습니다. 다음과 같이:

계절주기 시뮬레이션

• 정확성: NeuralGCM은 해들리 셀(Hadley cell) 및 자오선 평균 바람과 같은 주요 대기 역학뿐만 아니라 전 세계 강수량의 연간 주기와 전체 전 지구 운동 에너지를 포함한 계절 주기를 정확하게 시뮬레이션할 수 있습니다.

• 글로벌 구름 해결 모델과 비교: NeuralGCM은 글로벌 구름 해결 모델 X-SHIELD보다 강수량에 대한 편향이 더 작고 열대 지방의 온도 편향이 더 낮습니다.

열대성 저기압 시뮬레이션

• 경로 및 수치: NeuralGCM은 1.4°의 대략적인 해상도에서도 ERA5와 유사한 열대 저기압 경로 및 수치를 생성하는 반면, 글로벌 구름 분해 모델 X-SHIELD는 1.4° 해상도에서 열대 저기압 수를 과소평가합니다.

영상｜NeuralGCM이 2020년 전 지구 열대저기압의 경로를 예측합니다. 예측 결과는 ECMWF 재분석 버전 5(ERA5) 데이터 세트에 표시된 해당 연도 사이클론의 실제 수 및 강도와 일치합니다. (출처: 구글 리서치)

과거 온도 추세 시뮬레이션

• AMIP 시뮬레이션: NeuralGCM-2.8°는 40년간의 AMIP 시뮬레이션을 수행했으며 모든 시뮬레이션이 ERA5 데이터에서 관찰된 지구 온난화 추세를 정확하게 포착했으며 경년 기온 추세가 ERA5 데이터와 강한 상관관계가 있음을 보여 NeuralGCM이 영향을 효과적으로 시뮬레이션할 수 있음을 나타냅니다. 기후에 대한 SST 강제력.

• CMIP6 모델과의 비교: NeuralGCM-2.8°는 CMIP6 AMIP 모델보다 1981~2014년 동안 온도 편향이 더 작으며, 이 결과는 CMIP6 AMIP 모델에서 전체 온도 편향을 제거한 후에도 유지됩니다.

그림 | 10년 단위로 지구 온난화를 포착하는 NeuralGCM의 정확성과 능력. 1980년부터 2020년까지 지구 평균 기온을 예측하는 데 있어 NeuralGCM과 AMIP의 성능 비교. (출처: 구글 리서치)

NeuralGCM은 날씨 및 기후 예측 분야에서 강력한 능력을 입증했지만아직 몇 가지 제한 사항이 있습니다.。

첫 번째,NeuralGCM은 미래 기후를 예측하는 능력이 제한되어 있습니다. . NeuralGCM은 현재 역사적 기후와 크게 다른 미래 기후를 예측할 수 없습니다. 해수면 온도(SST)가 크게(예: +4K) 증가하면 NeuralGCM의 반응이 기대와 일치하지 않고 기후 드리프트가 발생합니다.

둘째,NeuralGCM은 관찰되지 않은 기후를 시뮬레이션하는 능력이 부족합니다. . 다른 기계 학습 기후 모델과 마찬가지로 NeuralGCM은 미래 기후나 과거 데이터와 크게 다른 기후 등 관측되지 않은 기후를 시뮬레이션해야 하는 과제에 직면해 있습니다. 이를 위해서는 더 강력한 일반화 기능과 적대적 훈련 또는 메타 학습과 같은 고급 훈련 전략을 갖춘 모델이 필요합니다.

그 다음에,NeuralGCM에는 물리적 제약과 수치적 안정성 문제도 있습니다. . 예를 들어 NeuralGCM의 스펙트럼 분포는 ECMWF 물리적 예측의 스펙트럼 분포보다 여전히 모호하며 열대 극한 현상을 시뮬레이션하는 데 과소평가가 있습니다. 이를 위해서는 모델의 물리적 일관성과 수치적 안정성을 향상시키기 위해 모델의 물리적 프로세스 매개변수화 및 수치적 방법에 대한 추가 연구와 개선이 필요합니다.

마침내,다른 지구 시스템 구성 요소와의 결합 부족 . 현재 NeuralGCM은 대기 시스템만 시뮬레이션하는 반면, 기후 시스템은 해양, 육지, 얼음과 눈, 생물권을 포함한 복잡한 상호 작용 시스템입니다. 보다 포괄적인 기후 시뮬레이션을 수행하려면 NeuralGCM을 이러한 구성 요소와 결합하고 이들 구성 요소 간의 상호 작용을 고려해야 합니다. 이를 위해서는 결합된 다중물리 시뮬레이션을 가능하게 하는 새로운 모델 아키텍처와 교육 전략의 개발이 필요합니다.

전통적인 날씨 예측과 기후 시뮬레이션이 AI에 의해 전복되고 있습니다.

NeuralGCM은 날씨 예측 및 기후 시뮬레이션의 "선구자"가 아닙니다.。

지난 몇 년 동안 화웨이, 구글, 칭화대학교를 포함한 기술 기업과 대학은 이 방향에서 상당한 진전을 이루었습니다.

2023년 7월 Huawei Cloud에서 개발판구-날씨 모델Nature에 탑재된 이 시스템은 39년간의 글로벌 재분석 기상 데이터를 훈련 데이터로 사용하며, 예측 정확도는 세계 최고의 수치 기상 예측 시스템인 IFS와 비슷하며, 동일한 공간 해상도에서 IFS 시스템보다 10,000배 이상 빠릅니다.

같은 시기에 Nature지에 게재된 또 다른 논문이 소개되었습니다.나우캐스트넷는 버클리 캘리포니아 대학교 교수 마이클 조던과 칭화 대학교 왕젠민 교수가 이끄는 연구팀이 개발한 이 모델은 물리적 법칙과 딥 러닝을 결합하여 실시간으로 강수량을 예측할 수 있습니다.

2023년 11월, Google DeepMind는 머신러닝을 기반으로 한 날씨 예측 모델을 출시했습니다.그래프캐스트 0.25°의 전역 분해능에서 모델은 1분 안에 향후 10일 동안 수백 가지 기상 변수를 예측할 수 있습니다. 이는 기존 일기 예보 방법보다 훨씬 더 뛰어난 성능을 발휘하는 동시에 극단적인 현상을 잘 예측하는 데도 효과적입니다. 권위 있는 과학저널 사이언스(Science)에 관련 연구논문이 게재됐다.

올해 3월에는 Google 연구팀이 개발한 AI 모델이 가장 발전된 글로벌 홍수 경고 시스템을 무력화했습니다. 이 시스템은 훈련을 위해 5,680개의 기존 게이지를 사용했으며 7일 예측 기간 내에 측정되지 않은 유역의 일일 유출량을 예측할 수 있었습니다.

오늘날 전통적인 기상 예측과 기후 시뮬레이션은 AI에 의해 전복되고 있습니다. 앞으로 AI는 일기예보의 속도와 정확성을 더욱 가속화해 인류 모두에게 혜택을 줄 것입니다.

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

｜나를 팔로우하고 별표를 표시하려면 클릭하세요｜