소식

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

컴파일 | 멩 치앙
편집 | 윈펑

Google이 유럽 중기예보센터(ECMWF)와 협력하여 개발한 NeuralGCM 대기 모델을 소개하는 논문을 7월 23일 Nature에 게재했다고 7월 24일자 지능형 사물이 보도했습니다. 이 모델은 전통적인 물리적 모델링 기반 모델과 Machine을 결합한 것입니다. 날씨와 기후를 예측하는 모델의 정확성과 효율성을 향상시키기 위해 학습이 결합됩니다.

이 논문은 NeuralGCM의 1일부터 15일까지의 예측 정확도가 세계에서 가장 진보된 전통적인 물리적 기상 예측 모델을 갖춘 ECMWF의 정확도와 비슷하다는 것을 보여줍니다. 해수면 온도를 추가한 후 NeuralGCM의 40년 기후 예측 결과는 ECMWF의 결과와 일치합니다. 데이터 얻은 지구 온난화 추세는 일관됩니다. NeuralGCM은 사이클론과 그 궤적을 예측하는 데 있어 기존 기후 모델을 능가합니다.

NeuralGCM은 속도 측면에서도 "훨씬 앞서" 있다는 점은 언급할 가치가 있습니다. 30초의 계산 시간에 22.8일의 대기 시뮬레이션을 생성할 수 있으며 계산 비용은 기존 GCM보다 100,000배 저렴합니다. NeuralGCM은 기계 학습을 기반으로 한 최초의 기후 모델로서 예측 정확성과 효율성 측면에서 기상 예측과 기후 시뮬레이션을 새로운 수준으로 끌어올렸습니다.

논문 주소: https://www.nature.com/articles/s41586-024-07744-y

1. 머신러닝이 기후 모델 변화를 주도합니다

지구는 전례 없는 속도로 따뜻해지고 있으며, 최근 몇 년간 이상 기후가 자주 발생하고 있습니다. 세계기상기구(WMO)는 2023년이 역사상 가장 더운 해가 될 것이며, 2024년은 더욱 더울 수도 있다고 밝혔습니다. 기상이변이 빈번하게 발생하는 상황에서 기후예측의 중요성은 특히 두드러집니다.

대순환모델(GCM)은 기상 및 기후예측의 기초로서 물리학을 기반으로 지구의 대기 및 기후시스템을 시뮬레이션하고 예측하는데 사용되는 전통적인 모델이다. GCM은 지구 대기, 해양, 육지 및 빙상과 같은 물리적 과정을 시뮬레이션함으로써 장기적인 날씨 및 기후 예측을 제공할 수 있습니다. 기존 기후 모델은 수십 년 동안 개선되어 왔지만 과학자들이 지구의 기후가 어떻게 작동하고 모델이 어떻게 구성되는지에 대한 불완전한 이해로 인해 종종 오류와 편향으로 어려움을 겪습니다.

Google의 수석 엔지니어인 스테판 호이어(Stephan Hoyer)는 전통적인 GCM이 지구를 지표면에서 대기까지 뻗어 있는 입방체로 나누고, 한 변의 길이는 보통 50~100km이며, 이를 기반으로 일정 기간 동안 각 입방체의 날씨 변화를 예측한다고 말했습니다. . 그들은 물리 법칙을 기반으로 공기와 습기의 동적 변화를 계산하여 예측에 도달합니다. 그러나 구름 형성 및 강수량과 같은 많은 중요한 기후 과정은 밀리미터에서 킬로미터에 이르는 규모로 다양하며 이는 현재 GCM에서 사용되는 입방체 크기보다 훨씬 작기 때문에 물리학을 기반으로 정확하게 계산할 수 없습니다.

또한 과학자들은 구름이 형성되는 방식과 같은 일부 과정에 대한 완전한 물리적 이해가 부족합니다. 따라서 이러한 전통적인 모델은 물리적 원리에 전적으로 의존하지 않고 단순화된 모델을 사용하여 날씨 역학을 매개변수화하기 위한 근사치를 생성하지만 이 접근 방식은 GCM의 정확도를 감소시킵니다.

기존 모델과 마찬가지로 NeuralGCM은 지구 대기를 큐브로 나누고 공기 이동 및 물 이동과 같은 대규모 변화 과정의 물리적 특성을 계산합니다. 그러나 구름 형성과 같은 소규모 기상 역학의 경우 NeuralGCM은 기존 매개변수화를 사용하지 않고 신경망을 사용하여 기존 기상 데이터에서 이러한 기상 역학의 물리적 특성을 학습합니다.

Hoyer는 NeuralGCM의 주요 혁신은 Google이 JAX에서 대규모 변경 프로세스에 대한 수치 솔버를 처음부터 작성했다는 점이라고 밝혔습니다. 이를 통해 모델은 그라디언트 기반 최적화를 사용하여 "온라인"으로 조정할 수 있습니다. JAX로 전체 모델을 작성하는 또 다른 이점은 모델이 TPU 및 GPU에서 효율적으로 실행될 수 있는 반면, 기존 기후 모델은 대부분 CPU에서 실행된다는 것입니다.

2. 현재의 최첨단 모델보다 예측 정확도가 더 좋습니다.

이 논문은 0.7° 해상도에서 NeuralGCM의 결정론적 모델(단일 결정론적 예측 결과 출력)의 성능이 현재의 최첨단 모델과 비슷하며 일기 예보 정확도가 5일에 도달할 수 있음을 보여줍니다.

결정론적 모델은 하나의 예측 결과만 제공하기 때문에 기후 시스템의 미래 상태의 다양성을 완전히 표현하지 못할 수 있습니다. 따라서 앙상블 예측은 기후 예측에 도입되어 약간 다른 초기 조건 세트를 기반으로 일련의 가능한 기상 시나리오를 생성합니다. 통합되면 앙상블 예측은 일반적으로 결정론적 예측보다 더 정확한 확률론적 일기예보를 생성합니다. 논문에서는 NeuralGCM의 1.4° 해상도 앙상블 예측 모델이 5~15일의 예측 정확도 측면에서 현재의 최첨단 모델보다 성능이 우수하다고 명시합니다.

또한 NeuralGCM의 더 긴 기간에 대한 기후 예측 정확도도 현재의 최첨단 모델보다 높습니다. NeuralGCM의 2.8° 결정론적 모델은 1980년부터 2020년까지 40년 동안 기온을 예측할 때 평균 오류가 섭씨 0.25도에 불과했습니다. 이는 대기 모델 상호 비교 프로젝트(AMIP) 오류의 3분의 1에 해당합니다.

3. 1년간의 대기 역학 시뮬레이션을 8분 만에 완료

Hoyer는 NeuralGCM의 계산 속도가 기존 GCM의 계산 속도보다 몇 배 더 빠르며 계산 비용도 더 낮다고 말했습니다. NeuralGCM의 1.4° 모델은 고정밀 기후 모델 X-SHIELD보다 3,500배 이상 빠릅니다. 즉, 연구원들이 X-SHIELD를 사용하여 1년간의 대기 역학을 시뮬레이션하는 데 20일이 걸렸지만 NeuralGCM을 사용하면 단 8분 밖에 걸리지 않았습니다.

또한 연구원은 X-SHIELD를 실행하려면 13,000개의 CPU가 장착된 슈퍼컴퓨터에 대한 액세스를 요청해야 하는 반면, NeuralGCM을 실행하려면 단일 TPU가 장착된 컴퓨터만 필요합니다. Hoyer는 NeuralGCM을 사용한 기후 시뮬레이션의 계산 비용이 X-SHIELD를 사용한 것보다 십만 배나 된다고 말했습니다.

결론: 보다 개방적이고 빠르며 효율적인 기후 예측 모델을 향하여

Google 연구팀은 비상업적인 용도로 NeuralGCM의 소스 코드와 모델 가중치를 GitHub에 공개했습니다. Hoyer는 Google이 전 세계 연구자들이 모델 테스트 및 개선에 적극적으로 참여할 수 있기를 희망한다고 말했습니다. NeuralGCM은 노트북에서 실행할 수 있으므로 더 많은 기후 연구자들이 작업에 이 모델을 사용할 수 있기를 바랍니다.

현재 NeuralGCM은 지구 대기만 시뮬레이션하지만 Google은 향후 해양 및 탄소 순환과 같은 다른 기후 시스템을 모델에 통합하기를 희망합니다. NeuralGCM은 아직 완전한 기후 모델은 아니지만, 그 출현은 기후 예측에 대한 새로운 아이디어를 제공하며, 앞으로 AI가 기후 예측의 정확성과 속도를 더욱 향상시킬 것으로 기대합니다.

출처: 구글, 네이처