Новости

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Компилировать | Мэн Цян
Редактировать | Юнпэн

24 июля компания Intelligent Things сообщила, что Google опубликовал статью в журнале Nature 23 июля, в которой представил атмосферную модель NeuralGCM, разработанную в сотрудничестве с Европейским центром среднесрочных прогнозов погоды (ECMWF). Эта модель сочетает в себе традиционные модели, основанные на физическом моделировании, с машинными. обучение объединяется для повышения точности и эффективности моделей прогнозирования погоды и климата.

В документе показано, что точность прогноза NeuralGCM от 1 до 15 дней сопоставима с точностью прогноза ECMWF, который имеет самую совершенную в мире традиционную модель прогноза физической погоды после добавления температуры поверхности моря. Результаты прогнозирования климата NeuralGCM на 40 лет согласуются с результатами ECMWF; данные. Полученные тенденции глобального потепления последовательны; NeuralGCM также превосходит существующие климатические модели в прогнозировании циклонов и их траекторий;

Стоит отметить, что NeuralGCM также «далеко впереди» по скорости. Он может генерировать моделирование атмосферы за 22,8 дня за 30 секунд времени расчета, а стоимость расчета в 100 000 раз ниже, чем у традиционного GCM. NeuralGCM, первая климатическая модель, основанная на машинном обучении, подняла прогноз погоды и моделирование климата на новый уровень с точки зрения точности и эффективности прогнозирования.

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

1. Машинное обучение стимулирует трансформацию климатических моделей

Земля нагревается беспрецедентными темпами, и в последние годы часто наблюдались экстремальные погодные условия. Всемирная метеорологическая организация заявила, что 2023 год будет самым жарким годом за всю историю наблюдений, а 2024 год может быть еще жарче. В контексте частых экстремальных погодных явлений важность прогнозирования климата приобретает особое значение.

Модель общей циркуляции (GCM) является основой для прогнозирования погоды и климата и представляет собой традиционную модель, используемую для моделирования и прогнозирования атмосферы и климатической системы Земли на основе физики. Моделируя физические процессы, такие как атмосфера Земли, океаны, суша и ледниковые покровы, GCM может предоставлять долгосрочные прогнозы погоды и климата. Хотя традиционные климатические модели совершенствуются на протяжении десятилетий, они часто страдают от ошибок и предвзятости из-за неполного понимания учеными того, как работает климат Земли и как строятся модели.

Стефан Хойер, старший инженер Google, рассказал, что традиционная GCM делит Землю на кубы, простирающиеся от поверхности до атмосферы, с длиной сторон обычно 50-100 километров, и на основе этого предсказывает изменения погоды в каждом кубе за определенный период времени. . Они приходят к своим предсказаниям, рассчитывая динамические изменения в воздухе и влажности на основе законов физики. Но многие важные климатические процессы, такие как образование облаков и осадки, варьируются в масштабе от миллиметров до километров, что намного меньше размера куба, используемого в настоящее время в МОЦ, и поэтому не может быть точно рассчитано на основе физики.

Кроме того, учёным не хватает полного физического понимания некоторых процессов, например, формирования облаков. Таким образом, эти традиционные модели не полностью полагаются на физические принципы, а используют упрощенные модели для создания приближений для параметризации динамики погоды, но этот подход снижает точность МОЦ.

Как и традиционные модели, NeuralGCM делит атмосферу Земли на кубы и рассчитывает физические свойства крупномасштабных изменяющихся процессов, таких как движение воздуха и воды. Но для мелкомасштабной динамики погоды, такой как образование облаков, NeuralGCM не использует традиционную параметризацию, а использует нейронные сети для изучения физических характеристик этой динамики погоды на основе существующих данных о погоде.

Хойер рассказал, что ключевым нововведением NeuralGCM является то, что Google с нуля написала численный решатель для крупномасштабных процессов изменений на JAX, который позволяет корректировать модель «онлайн» с использованием оптимизации на основе градиента. Еще одним преимуществом написания всей модели на JAX является то, что модель может эффективно работать на TPU и GPU, тогда как традиционные климатические модели в основном работают на CPU.

2. Точность прогноза лучше, чем у современной модели.

В документе показано, что производительность детерминистической модели NeuralGCM (выводящей единый результат детерминистического прогноза) с разрешением 0,7° сопоставима с текущими современными моделями, а точность прогноза погоды может достигать 5 дней.

Детерминистические модели могут не полностью отражать разнообразие будущих состояний климатической системы, поскольку они дают только один результат прогнозирования. Поэтому в прогнозы климата вводятся ансамблевые прогнозы, которые генерируют серию возможных сценариев погоды на основе немного другого набора начальных условий. . При интеграции ансамблевые прогнозы дают вероятностные прогнозы погоды, которые, как правило, более точны, чем детерминистические прогнозы. В документе говорится, что модель ансамблевого прогноза NeuralGCM с разрешением 1,4° превосходит современные современные модели с точки зрения точности прогноза от 5 до 15 дней.

Кроме того, точность прогнозирования климата NeuralGCM на более длительные периоды времени также выше, чем у современных современных моделей. При прогнозировании температуры за 40-летний период с 1980 по 2020 год детерминированная модель NeuralGCM с углом наклона 2,8° имела среднюю ошибку всего 0,25 градуса Цельсия, что составляет одну треть ошибки проекта взаимного сравнения моделей атмосферы (AMIP).

3. Завершите динамическое моделирование атмосферы за один год за 8 минут.

Хойер рассказал, что скорость вычислений NeuralGCM на несколько порядков выше, чем у традиционного GCM, а стоимость вычислений также ниже. Модель NeuralGCM 1,4° более чем в 3500 раз быстрее, чем высокоточная климатическая модель X-SHiELD. Другими словами, исследователям потребовалось 20 дней, чтобы смоделировать годовую динамику атмосферы с помощью X-SHiELD, и всего 8 минут с помощью NeuralGCM.

Кроме того, для запуска X-SHiELD исследователям необходимо запросить доступ к суперкомпьютеру с 13 000 процессорами, тогда как для запуска NeuralGCM требуется только компьютер с одним TPU. Хойер сказал, что вычислительные затраты на моделирование климата с использованием NeuralGCM в сто тысяч раз выше, чем с использованием X-SHiELD.

Вывод: На пути к более открытой, быстрой и эффективной модели прогнозирования климата.

Исследовательская группа Google опубликовала исходный код и веса модели NeuralGCM на GitHub для некоммерческого использования. Хойер заявил, что Google надеется, что исследователи по всему миру смогут активно участвовать в тестировании и улучшении модели. NeuralGCM можно запустить на ноутбуке, поэтому мы надеемся, что больше исследователей климата будут использовать эту модель в своей работе.

В настоящее время NeuralGCM только моделирует атмосферу Земли, но Google надеется включить в модель другие климатические системы, такие как океаны и углеродный цикл, в будущем. Хотя NeuralGCM еще не является полноценной климатической моделью, ее появление дает новые идеи для прогнозирования климата. В будущем мы ожидаем, что ИИ еще больше повысит точность и скорость прогнозирования климата.

Источник: Google, Природа.