notícias

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Novo Relatório de Sabedoria

Editor: Departamento Editorial

[Introdução à Nova Sabedoria] O Google propôs um novo modelo de circulação atmosférica baseado em ML, NeuralGCM, que economiza várias ordens de magnitude de cálculos em comparação com modelos tradicionais baseados em física e reduz os custos computacionais em 100.000 vezes, o que equivale a 25 anos de progresso no campo de alta- computação de desempenho. Para previsões meteorológicas de 2 a 15 dias, este método é mais preciso que o modelo físico SOTA.

Esta manhã, o CEO do Google, Pichai, postou um post no X, anunciando que o NeuralGCM fez um grande avanço no campo da modelagem climática!

“O NeuralGCM combina modelagem baseada na física com inteligência artificial para simular a atmosfera 100.000 vezes mais eficientemente do que outros modelos, fornecendo aos cientistas novas ferramentas para prever as mudanças climáticas.”

O resultado desta pesquisa também foi publicado na Nature. A maior parte da equipe de pesquisa vem do Google Research e DeepMind, bem como cientistas do MIT, Harvard e ECMWF.

Endereço do artigo: https://www.nature.com/articles/s41586-024-07744-y

O modelo desenvolvido pelo Google, denominado NeuralGCM, pode simular a atmosfera terrestre de forma rápida, eficiente e precisa.

A sua importância é ajudar os cientistas a fazer previsões precisas sobre o clima da Terra num momento em que a Terra está a aquecer a um ritmo sem precedentes.

Que áreas enfrentarão secas prolongadas à medida que as temperaturas globais aumentam? Onde as inundações costeiras serão mais frequentes devido às grandes tempestades tropicais? Como a temporada de incêndios florestais mudará à medida que as temperaturas aumentarem?

Confrontado com estes problemas urgentes que precisam de ser resolvidos, o tradicional Modelo de Circulação Geral (GCM) baseado na física parece estar um pouco esticado e carece de estabilidade suficiente quando confrontado com simulações meteorológicas e climáticas de longo prazo.

NeuralGCM é um método baseado em aprendizado de máquina que combina modelagem física tradicional para melhorar significativamente a precisão e a eficiência da simulação.

Esta abordagem gera previsões meteorológicas de 2 a 15 dias que são mais precisas do que os modelos físicos de última geração e reproduzem as temperaturas dos últimos 40 anos com mais precisão do que os modelos atmosféricos tradicionais.

Marca um passo importante no desenvolvimento de modelos climáticos mais poderosos e fáceis de usar.

NeuralGCM simulou o padrão específico de mudança de umidade de 26 de dezembro de 2019 a 8 de janeiro de 2020

NeuralGCM transforma a modelagem climática

Embora os modelos climáticos tradicionais tenham melhorado ao longo das últimas décadas, sofrem frequentemente de erros e preconceitos devido à compreensão incompleta dos cientistas sobre como funciona o clima da Terra e como os modelos são construídos.

Esses modelos dividem o espaço da superfície à atmosfera em cubos com lados de 50 a 100 quilômetros e, em seguida, prevêem as mudanças climáticas em cada cubo durante um período de tempo.

O modelo calcula então o movimento do ar e da umidade com base nas leis físicas geralmente aceitas, que são a base para a previsão do tempo.

Mas o problema é que a escala de 50 a 100 quilômetros é realmente grande demais.

Muitos processos climáticos importantes, incluindo nuvens e precipitação, variam em escalas menores do que os tamanhos de cubo utilizados nos modelos atuais (milímetros a quilómetros).

Além disso, a compreensão física dos cientistas sobre alguns processos, como a formação de nuvens, é incompleta.

Como resultado, estes modelos tradicionais baseiam-se não apenas em princípios fundamentais, mas também utilizam modelos simplificados para gerar aproximações chamadas “parametrizações” para simular processos de pequena escala e pouco compreendidos.

Estas aproximações simplificadas reduzem inevitavelmente a precisão dos modelos climáticos baseados na física.

Então, como o NeuralGCM resolve esse problema?

Como os modelos tradicionais, o NeuralGCM ainda divide a atmosfera da Terra em cubos e calcula a física de processos de grande escala, como o movimento do ar e da água.

A diferença é que o NeuralGCM não depende mais de aproximações “paramétricas” desenvolvidas por cientistas para simular mudanças climáticas em pequena escala, mas usa redes neurais para aprender os princípios físicos desses eventos a partir de dados meteorológicos existentes.

Uma inovação importante do NeuralGCM é que o solucionador numérico para processos de grande escala foi reescrito do zero em JAX.

Isso permite que os pesquisadores usem a otimização baseada em gradiente para ajustar o comportamento "online" de sistemas acoplados em vários intervalos de tempo.

Em contraste, os esforços anteriores para utilizar a aprendizagem automática para melhorar os modelos climáticos encontraram dificuldades significativas com a estabilidade numérica porque utilizam formação "offline" que ignora as diferenças entre processos de pequena e grande escala que se acumulam ao longo do tempo.

Outro benefício de escrever o modelo inteiro em JAX é que ele roda de forma eficiente em TPUs e GPUs, enquanto os modelos climáticos tradicionais rodam principalmente em CPUs.

NeuralGCM combina solucionadores tradicionais de dinâmica de fluidos e redes neurais para física de pequena escala. Esses componentes são reunidos por meio de um solucionador de equações diferenciais para avançar o sistema cronologicamente.

A equipe do Google usou dados meteorológicos do ECMWF de 1979 a 2019 para treinar uma série de modelos NeuralGCM com resoluções de 0,7°, 1,4° e 2,8°.

Embora o NeuralGCM seja treinado com base em dados de previsão do tempo, a equipe projetou o NeuralGCM como um modelo atmosférico geral.

Previsões meteorológicas precisas e previsões climáticas

Modelos recentes de aprendizado de máquina (ML) da atmosfera da Terra, incluindo o GraphCast do Google DeepMind, demonstraram uma precisão revolucionária nas previsões meteorológicas.

Até à data, a investigação sobre previsões de BC centrou-se principalmente em previsões de curto prazo, o que está longe dos anos ou décadas necessários para as previsões climáticas.

Como as previsões climáticas de várias décadas são difíceis de verificar de forma confiável, a equipe do Google avaliou o desempenho do NeuralGCM em previsões em escala climática e como modelo meteorológico usando o benchmark WeatherBench 2 estabelecido.

O modelo determinístico do NeuralGCM com resolução de 0,7° é comparável aos modelos atuais de última geração em termos de precisão da previsão do tempo, e a precisão da previsão do tempo pode chegar a 5 dias.

No entanto, os modelos determinísticos carecem da incerteza quantitativa necessária para fazer previsões úteis durante longos prazos de entrega.

Os conjuntos de previsão são gerados a partir de condições iniciais ligeiramente diferentes para produzir uma série de condições climáticas igualmente prováveis. Esses conjuntos produzem previsões meteorológicas probabilísticas que geralmente são mais precisas do que as previsões determinísticas.

O modelo conjunto do NeuralGCM com resolução de 1,4° supera o SOTA anterior em termos de precisão de previsão de 5 a 15 dias.

Essa melhoria de desempenho se deve ao fato de que o NeuralGCM gera previsões meteorológicas em conjunto, que são comparáveis ​​ao modelo SOTA baseado em física do ECMWF, ECMWF-ENS.

Entre os modelos de ML publicados, o NeuralGCM é o primeiro a fazer isso.

As previsões de conjunto do NeuralGCM são mais precisas do que o ECMWF-ENS 95% das vezes em previsões que variam de 2 a 15 dias.

NeuralGCM também supera modelos atmosféricos de última geração em previsões climáticas em escala de tempo.

Como o NeuralGCM simula apenas o componente atmosférico do clima da Terra, a equipe do Google comparou seu desempenho com modelos atmosféricos baseados na física.

Ao prever temperaturas entre 1980 e 2020, o erro médio do modelo determinístico de 2,8° do NeuralGCM é um terço do erro do modelo atmosférico (AMIP), ou 0,25 vs. 0,75 graus Celsius.

Comparando o desempenho do NeuralGCM e AMIP na previsão da temperatura média global de 1000 hPa entre 1980 e 2020

Como os modelos atmosféricos tradicionais têm dificuldade em simular certos aspectos da atmosfera terrestre, os cientistas do clima às vezes usam modelos de resolução mais alta, como o X-SHiELD, que, embora mais precisos, são mais caros do ponto de vista computacional.

Comparado ao X-SHiELD, o modelo determinístico de 1,4° do NeuralGCM alcançou 15-50% menos erros na previsão dos dados de umidade e temperatura de 2020 fornecidos pela Administração Oceânica e Atmosférica Nacional (NOAA).

Durante a simulação climática de 2020, o NeuralGCM também previu padrões de ciclones tropicais que correspondiam ao número e intensidade das tempestades observadas na mesma região naquele ano.

NeuralGCM é o primeiro modelo baseado em aprendizado de máquina capaz de gerar tais padrões.

NeuralGCM prevê rastros de ciclones tropicais globalmente em 2020 (os números e intensidades previstos de tempestades correspondem aos números e intensidades reais de ciclones registrados no conjunto de dados ECMWF Reanálise v5 (ERA5))

Aberto, rápido e eficiente

O NeuralGCM é muito mais rápido em velocidade computacional e custo do que os modelos climáticos tradicionais baseados na física.

Seu modelo de 1,4° é 3.500 vezes mais rápido que o X-SHiELD, o que significa que se os pesquisadores simulassem a atmosfera de um ano com o X-SHiELD, levaria 20 dias, em comparação com apenas 8 minutos com o NeuralGCM.

Além disso, os cientistas só precisam de um computador com uma única TPU (Unidade de Processamento Tensor) para executar o NeuralGCM, enquanto a execução do X-SHiELD requer o uso de um supercomputador de 13.000 CPUs (Unidades Centrais de Processamento).

No geral, o custo computacional da simulação climática usando NeuralGCM é 100.000 vezes menor que o do X-SHiELD, equivalente a 25 anos de progresso em computação de alto desempenho.

O NeuralGCM simula a atmosfera mais rapidamente do que os modelos físicos de última geração, ao mesmo tempo que gera previsões com a mesma precisão

Neste gráfico, o NeuralGCM compete com dois modelos físicos NCAR CAM e NOAA X-SHiELD, comparando o número de dias de simulação atmosférica que eles geram em 30 segundos de tempo de cálculo.

Os três modelos funcionam em resoluções diferentes, com o X-SHiELD tendo a resolução mais alta (0,03°), o NCAR CAM6 tendo uma resolução de 1,0° e o NeuralGCM tendo a resolução mais baixa (1,4°).

Vale ressaltar que embora o NeuralGCM rode em baixa resolução, sua precisão é comparável a modelos de alta resolução.

Então, com precisão comparável, pode-se observar que o NeuralGCM pode gerar 22,8 dias de simulação atmosférica em 30 segundos, enquanto o X-SHiELD, como modelo físico de alta resolução que deve ser executado em um supercomputador, só pode ser gerado por 9 minutos!

Isso também elimina as vantagens do NCAR CAM6, que antes era preferido pelos pesquisadores devido ao seu baixo custo computacional.

A equipe do Google divulgou o código-fonte e os pesos do modelo do NeuralGCM no GitHub para uso não comercial. Eles esperam que outros pesquisadores possam adicionar facilmente novos componentes para testar hipóteses e melhorar a funcionalidade do modelo.

Além disso, como o NeuralGCM pode ser executado em um laptop e não requer o suporte de um supercomputador, mais pesquisadores climáticos podem usar esse modelo de última geração em seu trabalho.

Conclusões e direções futuras

Atualmente, o NeuralGCM modela apenas a atmosfera da Terra, mas a equipe do Google espera eventualmente incorporar outros aspectos do sistema climático da Terra, como os oceanos e o ciclo do carbono, no modelo.

Desta forma, o NeuralGCM será capaz de fazer previsões em escalas de tempo mais longas, não apenas prevendo o tempo ao longo de dias e semanas, mas também em escalas de tempo climáticas.

Em suma, o NeuralGCM propõe uma nova forma de construir modelos climáticos que podem ser mais rápidos, menos dispendiosos em termos computacionais e mais precisos do que os modelos existentes.

Referências:

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

https://research.google/blog/fast-accurate-climate-modeling-with-neuralgcm/

https://x.com/sundarpichai/status/1815512751793721649