Новости

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Новый отчет мудрости

Редактор: Редакционный отдел

[Введение в новую мудрость] Компания Google предложила новую модель атмосферной циркуляции на основе машинного обучения NeuralGCM, которая экономит несколько порядков вычислений по сравнению с традиционными моделями, основанными на физике, и снижает вычислительные затраты в 100 000 раз, что эквивалентно 25 годам прогресса в области высоких технологий. производительность вычислений. Для прогнозов погоды на 2–15 дней этот метод более точен, чем физическая модель SOTA.

Сегодня рано утром генеральный директор Google Пичаи опубликовал на X сообщение, в котором объявил, что NeuralGCM совершил крупный прорыв в области моделирования климата!

«NeuralGCM сочетает в себе физическое моделирование с искусственным интеллектом для моделирования атмосферы в 100 000 раз эффективнее, чем другие модели, предоставляя ученым новые инструменты для прогнозирования изменения климата».

Этот результат исследования также был опубликован в журнале Nature. Большая часть исследовательской группы состоит из Google Research и DeepMind, а также ученых из Массачусетского технологического института, Гарварда и ECMWF.

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

Разработанная Google модель под названием NeuralGCM способна быстро, эффективно и точно имитировать атмосферу Земли.

Его значение состоит в том, чтобы помочь ученым сделать точные прогнозы о климате Земли в то время, когда Земля нагревается с беспрецедентной скоростью.

Какие регионы столкнутся с продолжительной засухой из-за повышения глобальной температуры? Где прибрежные наводнения в результате сильных тропических штормов будут происходить чаще? Как изменится сезон лесных пожаров при повышении температуры?

Столкнувшись с этими неотложными проблемами, традиционная модель общей циркуляции (МОЦ), основанная на физике, кажется несколько растянутой, когда она сталкивается с долгосрочным моделированием погоды и климата.

NeuralGCM — это метод, основанный на машинном обучении, который сочетает в себе традиционное физическое моделирование для значительного повышения точности и эффективности моделирования.

Этот метод генерирует прогнозы погоды на срок от 2 до 15 дней, которые более точны, чем современные физические модели, и воспроизводят температуру за последние 40 лет точнее, чем традиционные модели атмосферы.

Это знаменует собой важный шаг на пути к разработке более мощных и простых в использовании климатических моделей.

NeuralGCM смоделировал характер изменения влажности с 26 декабря 2019 г. по 8 января 2020 г.

NeuralGCM меняет моделирование климата

Хотя традиционные климатические модели улучшились за последние несколько десятилетий, они часто страдают от ошибок и предвзятостей из-за неполного понимания учеными того, как работает климат Земли и как строятся модели.

Эти модели делят пространство от поверхности до атмосферы на кубы со сторонами 50–100 километров, а затем прогнозируют изменения погоды в каждом кубе за определенный период времени.

Затем модель рассчитывает движение воздуха и влаги на основе общепринятых физических законов, которые являются основой прогнозирования погоды.

Но проблема в том, что масштаб в 50-100 километров действительно слишком велик.

Многие важные климатические процессы, включая облака и осадки, варьируются в масштабах меньших, чем размеры куба, используемые в текущих моделях (от миллиметров до километров).

Более того, физическое понимание учёными некоторых процессов, таких как образование облаков, является неполным.

В результате эти традиционные модели опираются не только на фундаментальные принципы, но также используют упрощенные модели для создания приближений, называемых «параметризациями», для моделирования мелкомасштабных и плохо понятных процессов.

Эти упрощенные приближения неизбежно снижают точность физически обоснованных моделей климата.

Итак, как NeuralGCM решает эту проблему?

Как и традиционные модели, NeuralGCM по-прежнему делит атмосферу Земли на кубы и рассчитывает физику крупномасштабных процессов, таких как движение воздуха и воды.

Разница в том, что NeuralGCM больше не полагается на «параметрические» аппроксимации, разработанные учеными для моделирования небольших изменений погоды, а использует нейронные сети для изучения физических принципов этих событий на основе существующих данных о погоде.

Ключевым нововведением NeuralGCM является то, что численный решатель для крупномасштабных процессов был переписан с нуля на JAX.

Это позволяет исследователям использовать оптимизацию на основе градиента для корректировки «онлайн» поведения связанных систем в течение нескольких временных шагов.

Напротив, предыдущие попытки использовать машинное обучение для улучшения моделей климата столкнулись со значительными трудностями с числовой стабильностью, поскольку они используют «автономное» обучение, которое игнорирует различия между мелкомасштабными и крупномасштабными процессами, которые накапливаются с течением времени.

Еще одним преимуществом написания всей модели на JAX является то, что она эффективно работает на TPU и GPU, тогда как традиционные климатические модели в основном работают на CPU.

NeuralGCM сочетает в себе традиционные решатели гидродинамики с нейронными сетями для мелкомасштабной физики. Эти компоненты объединяются с помощью решателя дифференциальных уравнений для хронологического развития системы.

Команда Google использовала данные о погоде ECMWF с 1979 по 2019 год для обучения серии моделей NeuralGCM с разрешением 0,7°, 1,4° и 2,8°.

Хотя NeuralGCM обучается на основе данных прогноза погоды, команда разработала NeuralGCM как общую модель атмосферы.

Точные прогнозы погоды и предсказания климата

Последние модели земной атмосферы с помощью машинного обучения (ML), в том числе GraphCast от Google DeepMind, продемонстрировали революционную точность прогнозов погоды.

На сегодняшний день исследования прогнозов ML в основном сосредоточены на краткосрочных прогнозах, которые далеки от лет или десятилетий, необходимых для предсказаний климата.

Поскольку прогнозы климата на несколько десятилетий трудно достоверно проверить, команда Google оценила эффективность NeuralGCM в прогнозировании климата и в качестве модели погоды, используя установленный тест WeatherBench 2.

Детерминированная модель NeuralGCM с разрешением 0,7° сравнима с современными моделями с точки зрения точности прогноза погоды, а точность прогноза погоды может достигать 5 дней.

Однако детерминистическим моделям не хватает количественной неопределенности, необходимой для составления полезных прогнозов на длительный период времени.

Ансамбли прогнозов генерируются на основе слегка различающихся начальных условий для получения диапазона равновероятных погодных условий. Эти ансамбли производят вероятностные прогнозы погоды, которые обычно более точны, чем детерминистические прогнозы.

Ансамблевая модель NeuralGCM с разрешением 1,4° превосходит предыдущую SOTA по точности прогнозирования от 5 до 15 дней.

Такое улучшение производительности связано с тем, что NeuralGCM генерирует ансамблевые прогнозы погоды, которые сопоставимы с основанной на физике моделью SOTA ECMWF-ENS ECMWF.

Среди опубликованных моделей машинного обучения NeuralGCM является первой, кто сделал это.

Ансамбльные прогнозы NeuralGCM более точны, чем ECMWF-ENS, в 95% случаев при прогнозах на срок от 2 до 15 дней.

NeuralGCM также превосходит современные атмосферные модели в предсказаниях климатических временных масштабов.

Поскольку NeuralGCM моделирует только атмосферный компонент климата Земли, команда Google сравнила его производительность с моделями атмосферы, основанными на физике.

При прогнозировании температур между 1980 и 2020 годами средняя ошибка детерминистической модели NeuralGCM 2,8° составляет одну треть ошибки атмосферной модели (AMIP), или 0,25 против 0,75 градусов Цельсия.

Сравнение эффективности NeuralGCM и AMIP при прогнозировании средней глобальной температуры на высоте 1000 гПа в период с 1980 по 2020 год.

Поскольку традиционные модели атмосферы с трудом моделируют определенные аспекты атмосферы Земли, ученые-климатологи иногда используют модели с более высоким разрешением, такие как X-SHiELD, которые, хотя и более точны, но требуют больше вычислительных затрат.

По сравнению с X-SHiELD детерминированная модель NeuralGCM с углом наклона 1,4° уменьшила ошибки на 15–50 % при прогнозировании данных о влажности и температуре на 2020 год, предоставленных Национальным управлением океанических и атмосферных исследований (NOAA).

В ходе моделирования климата 2020 года NeuralGCM также предсказал характер тропических циклонов, который соответствовал количеству и интенсивности штормов, наблюдавшихся в том же регионе в том же году.

NeuralGCM — первая модель на основе машинного обучения, способная генерировать такие шаблоны.

NeuralGCM прогнозирует траекторию тропических циклонов по всему миру в 2020 году (прогнозируемые количество и интенсивность штормов соответствуют фактическому количеству и интенсивности циклонов, записанным в наборе данных ECMWF Reanaанализ v5 (ERA5)).

Открыто, быстро и эффективно

NeuralGCM на несколько порядков быстрее по скорости вычислений и стоимости, чем традиционные модели климата, основанные на физике.

Его модель 1,4° более чем в 3500 раз быстрее, чем X-SHiELD, а это означает, что если бы исследователи смоделировали годовую атмосферу с помощью X-SHIELD, это заняло бы 20 дней по сравнению с всего 8 минутами с помощью NeuralGCM.

Более того, ученым нужен только компьютер с одним TPU (тензорным процессором) для запуска NeuralGCM, а для запуска X-SHiELD требуется использование суперкомпьютера с 13 000 процессоров (центральных процессоров).

В целом, вычислительные затраты на моделирование климата с использованием NeuralGCM в 100 000 раз ниже, чем у X-SHiELD, что эквивалентно 25 годам прогресса в области высокопроизводительных вычислений.

NeuralGCM моделирует атмосферу быстрее, чем современные физические модели, генерируя прогнозы с той же точностью.

На этой диаграмме NeuralGCM конкурирует с двумя физическими моделями, NCAR CAM и NOAA X-SHiELD, чтобы сравнить количество дней моделирования атмосферы, которые они генерируют за 30 секунд расчетного времени.

Три модели работают с разным разрешением: X-SHIELD имеет самое высокое разрешение (0,03°), NCAR CAM6 имеет разрешение 1,0° и NeuralGCM имеет самое низкое разрешение (1,4°).

Стоит отметить, что хотя NeuralGCM работает с низким разрешением, его точность сравнима с моделями с высоким разрешением.

Затем с сопоставимой точностью можно увидеть, что NeuralGCM может сгенерировать атмосферное моделирование за 22,8 дня за 30 секунд, в то время как X-SHiELD, как физическая модель высокого разрешения, которую необходимо запустить на суперкомпьютере, может быть сгенерирована только за 9 секунд. минуты!

Это также нивелирует преимущества NCAR CAM6, которому исследователи ранее отдавали предпочтение из-за его низкой вычислительной стоимости.

Команда Google опубликовала исходный код и веса модели NeuralGCM на GitHub для некоммерческого использования. Они надеются, что другие исследователи смогут легко добавить новые компоненты для проверки гипотез и улучшения функциональности модели.

Кроме того, поскольку NeuralGCM можно запустить на ноутбуке и не требуется поддержка суперкомпьютера, больше исследователей климата могут использовать эту современную модель в своей работе.

Выводы и будущие направления

NeuralGCM в настоящее время моделирует только атмосферу Земли, но команда Google надеется в конечном итоге включить в модель другие аспекты климатической системы Земли, такие как океаны и углеродный цикл.

Таким образом, NeuralGCM сможет делать прогнозы в более длительных временных масштабах, предсказывая не только погоду на дни и недели, но и в климатических временных масштабах.

В целом, NeuralGCM предлагает новый способ построения климатических моделей, который может быть быстрее, менее затратным в вычислительном отношении и более точным, чем существующие модели.

Использованная литература:

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