notícias

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Coisas inteligentes (conta pública:zhidx com）
Compilado por Meng Qiang
Editor Yunpeng

A Intelligent Things informou em 24 de julho que o Google publicou um artigo na Nature em 23 de julho, apresentando o modelo atmosférico NeuralGCM desenvolvido em cooperação com o Centro Europeu de Previsões Meteorológicas de Médio Prazo (ECMWF). Este modelo combina modelos tradicionais baseados em modelagem física com Máquina. o aprendizado é combinado para melhorar a precisão e a eficiência dos modelos na previsão do tempo e do clima.

O artigo mostra que a precisão da previsão do NeuralGCM de 1 a 15 dias é comparável à do ECMWF, que possui o modelo de previsão do tempo físico tradicional mais avançado do mundo. Depois de adicionar a temperatura da superfície do mar, os resultados da previsão climática de 40 anos do NeuralGCM são consistentes com os do ECMWF; dados As tendências de aquecimento global obtidas são consistentes; o NeuralGCM também supera os modelos climáticos existentes na previsão de ciclones e suas trajetórias;

Vale ressaltar que o NeuralGCM também está “muito à frente” em termos de velocidade, podendo gerar 22,8 dias de simulação atmosférica em 30 segundos de cálculo, e o custo de cálculo é 100 mil vezes menor que o GCM tradicional. Como o primeiro modelo climático baseado em aprendizado de máquina, o NeuralGCM elevou a previsão do tempo e a simulação climática a um novo nível em termos de precisão e eficiência de previsão.

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

1. O aprendizado de máquina impulsiona a transformação do modelo climático

A Terra está a aquecer a um ritmo sem precedentes e condições meteorológicas extremas têm ocorrido com frequência nos últimos anos. A Organização Meteorológica Mundial afirmou que 2023 será o ano mais quente já registado e 2024 poderá ser ainda mais quente. No contexto de condições meteorológicas extremas frequentes, a importância da previsão climática é particularmente proeminente.

O Modelo de Circulação Geral (GCM) é a base para a previsão do tempo e do clima e é um modelo tradicional usado para simular e prever a atmosfera e o sistema climático da Terra com base na física. Ao simular processos físicos como a atmosfera da Terra, os oceanos, a terra e as camadas de gelo, o GCM pode fornecer previsões meteorológicas e climáticas de longo prazo. Embora os modelos climáticos convencionais tenham vindo a melhorar há 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.

Stephan Hoyer, engenheiro sênior do Google, disse que o GCM tradicional divide a Terra em cubos que se estendem da superfície até a atmosfera, com comprimentos laterais geralmente de 50 a 100 quilômetros, e com base nisso prevê mudanças climáticas em cada cubo durante um período de tempo. . Eles chegam às suas previsões calculando as mudanças dinâmicas no ar e na umidade com base nas leis da física. Mas muitos processos climáticos importantes, como a formação de nuvens e a precipitação, variam numa escala que vai de milímetros a quilómetros, o que é muito menor do que o tamanho do cubo actualmente utilizado nos GCMs e, portanto, não pode ser calculado com precisão com base na física.

Além disso, os cientistas não têm uma compreensão física completa de alguns processos, como a forma como as nuvens se formam. Portanto, esses modelos tradicionais não dependem inteiramente de princípios físicos, mas utilizam modelos simplificados para gerar aproximações para parametrizar a dinâmica climática, mas esta abordagem reduz a precisão dos GCMs.

Como os modelos tradicionais, o NeuralGCM divide a atmosfera da Terra em cubos e calcula as propriedades físicas de processos de mudança em grande escala, como o movimento do ar e da água. Mas para dinâmicas climáticas de pequena escala, como a formação de nuvens, o NeuralGCM não usa parametrização tradicional, mas usa redes neurais para aprender as características físicas dessas dinâmicas climáticas a partir de dados meteorológicos existentes.

Hoyer revelou que uma inovação importante do NeuralGCM é que o Google escreveu um solucionador numérico para processos de mudança em grande escala do zero em JAX, que permite que o modelo seja ajustado “online” usando otimização baseada em gradiente. Outro benefício de escrever o modelo inteiro em JAX é que o modelo pode ser executado com eficiência em TPUs e GPUs, enquanto os modelos climáticos tradicionais são executados principalmente em CPUs.

2. A precisão da previsão é melhor do que o modelo atual de última geração

O artigo mostra que o desempenho do modelo determinístico do NeuralGCM (produzindo um único resultado de previsão determinística) com resolução de 0,7° é comparável aos modelos de última geração atuais, e a precisão da previsão do tempo pode chegar a 5 dias.

Os modelos determinísticos podem não representar totalmente a diversidade dos estados futuros do sistema climático porque fornecem apenas um resultado de previsão. Portanto, as previsões conjuntas são introduzidas nas previsões climáticas, que geram uma série de cenários meteorológicos possíveis com base num conjunto ligeiramente diferente de condições iniciais. . Quando integradas, as previsões conjuntas produzem previsões meteorológicas probabilísticas que são geralmente mais precisas do que as previsões determinísticas. O artigo afirma que o modelo de previsão de conjunto de resolução de 1,4° do NeuralGCM supera os modelos atuais de última geração em termos de precisão de previsão de 5 a 15 dias.

Além disso, a precisão da previsão climática do NeuralGCM para períodos de tempo mais longos também é maior do que a dos atuais modelos de última geração. Ao prever temperaturas ao longo do período de 40 anos, de 1980 a 2020, o modelo determinístico de 2,8° do NeuralGCM teve um erro médio de apenas 0,25 graus Celsius, um terço do erro do Atmospheric Model Intercomparison Project (AMIP).

3. Complete a simulação dinâmica atmosférica de um ano em 8 minutos

Hoyer disse que a velocidade de cálculo do NeuralGCM é várias ordens de magnitude mais rápida do que a do GCM tradicional e o custo de cálculo também é menor. O modelo de 1,4° do NeuralGCM é mais de 3.500 vezes mais rápido que o modelo climático de alta precisão X-SHiELD. Em outras palavras, os pesquisadores levaram 20 dias para simular um ano de dinâmica atmosférica usando o X-SHiELD, mas apenas 8 minutos usando o NeuralGCM.

Além disso, os pesquisadores precisam solicitar acesso a um supercomputador com 13.000 CPUs para executar o X-SHiELD, enquanto a execução do NeuralGCM requer apenas um computador com uma única TPU. Hoyer disse que o custo computacional da simulação climática usando o NeuralGCM é cem mil vezes maior que o do X-SHiELD.

Conclusão: Rumo a um modelo de previsão climática mais aberto, rápido e eficiente

A equipe de pesquisa do Google tornou público o código-fonte e os pesos do modelo do NeuralGCM no GitHub para uso não comercial. Hoyer disse que o Google espera que pesquisadores de todo o mundo possam participar ativamente nos testes e melhorias do modelo. O NeuralGCM pode ser executado em um laptop, portanto, esperançosamente, mais pesquisadores climáticos usarão o modelo em seu trabalho.

Atualmente, o NeuralGCM apenas simula a atmosfera da Terra, mas o Google espera incorporar outros sistemas climáticos, como os oceanos e o ciclo do carbono, no modelo no futuro. Embora o NeuralGCM ainda não seja um modelo climático completo, o seu surgimento fornece novas ideias para a previsão climática. No futuro, esperamos ver a IA melhorar ainda mais a precisão e a velocidade da previsão climática.

Fonte: Google, Natureza