noticias

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Compilar | Meng Qiang
Editar | Yunpeng

Cosas inteligentes informó el 24 de julio que Google publicó un artículo en Nature el 23 de julio, presentando el modelo atmosférico NeuralGCM desarrollado en cooperación con el Centro Europeo de Pronósticos Meteorológicos a Medio Plazo (ECMWF). Este modelo combina modelos tradicionales basados ​​​​en modelos físicos con Machine. El aprendizaje se combina para mejorar la precisión y eficiencia de los modelos en la predicción del tiempo y el clima.

El documento muestra que la precisión del pronóstico de NeuralGCM de 1 a 15 días es comparable a la del ECMWF, que tiene el modelo de pronóstico del tiempo físico tradicional más avanzado del mundo, después de agregar la temperatura de la superficie del mar, los resultados de predicción climática de NeuralGCM a 40 años son consistentes con los del ECMWF; datos Las tendencias de calentamiento global obtenidas son consistentes; NeuralGCM también supera a los modelos climáticos existentes en la predicción de ciclones y sus trayectorias.

Vale la pena mencionar que NeuralGCM también está "muy por delante" en términos de velocidad. Puede generar 22,8 días de simulación atmosférica en 30 segundos de tiempo de cálculo y el costo de cálculo es 100.000 veces menor que el GCM tradicional. Como primer modelo climático basado en el aprendizaje automático, NeuralGCM ha elevado la predicción meteorológica y la simulación climática a un nuevo nivel en términos de precisión y eficiencia de la predicción.

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

1. El aprendizaje automático impulsa la transformación del modelo climático

La Tierra se está calentando a un ritmo sin precedentes y en los últimos años se han producido fenómenos meteorológicos extremos con frecuencia. La Organización Meteorológica Mundial afirmó que 2023 será el año más caluroso jamás registrado y que 2024 puede ser aún más caluroso. En el contexto de frecuentes fenómenos meteorológicos extremos, la importancia de la predicción climática es particularmente destacada.

El Modelo de Circulación General (GCM) es la base para la predicción del tiempo y el clima y es un modelo tradicional utilizado para simular y predecir la atmósfera y el sistema climático de la Tierra basándose en la física. Al simular procesos físicos como la atmósfera, los océanos, la tierra y las capas de hielo de la Tierra, GCM puede proporcionar predicciones meteorológicas y climáticas a largo plazo. Aunque los modelos climáticos convencionales han ido mejorando durante décadas, a menudo adolecen de errores y sesgos debido a la comprensión incompleta de los científicos sobre cómo funciona el clima de la Tierra y cómo se construyen los modelos.

Stephan Hoyer, ingeniero senior de Google, dijo que el GCM tradicional divide la Tierra en cubos que se extienden desde la superficie hasta la atmósfera, con longitudes de lado generalmente de 50 a 100 kilómetros, y basándose en esto predice los cambios climáticos en cada cubo durante un período de tiempo. . Llegan a sus predicciones calculando los cambios dinámicos en el aire y la humedad basándose en las leyes de la física. Pero muchos procesos climáticos importantes, como la formación de nubes y las precipitaciones, varían en una escala que va de milímetros a kilómetros, que es mucho más pequeña que el tamaño del cubo que se utiliza actualmente en los GCM y, por lo tanto, no se puede calcular con precisión basándose en la física.

Además, los científicos carecen de una comprensión física completa de algunos procesos, como por ejemplo cómo se forman las nubes. Por lo tanto, estos modelos tradicionales no se basan completamente en principios físicos, sino que utilizan modelos simplificados para generar aproximaciones para parametrizar la dinámica climática, pero este enfoque reduce la precisión de los GCM.

Al igual que los modelos tradicionales, NeuralGCM divide la atmósfera de la Tierra en cubos y calcula las propiedades físicas de procesos cambiantes a gran escala, como el movimiento del aire y el movimiento del agua. Pero para la dinámica meteorológica a pequeña escala, como la formación de nubes, NeuralGCM no utiliza la parametrización tradicional, sino que utiliza redes neuronales para aprender las características físicas de esta dinámica meteorológica a partir de los datos meteorológicos existentes.

Hoyer reveló que una innovación clave de NeuralGCM es que Google escribió un solucionador numérico para procesos de cambio a gran escala desde cero en JAX, que permite ajustar el modelo "en línea" mediante optimización basada en gradientes. Otro beneficio de escribir el modelo completo en JAX es que el modelo puede ejecutarse de manera eficiente en TPU y GPU, mientras que los modelos climáticos tradicionales se ejecutan principalmente en CPU.

2. La precisión de la predicción es mejor que la del modelo de última generación actual.

El documento muestra que el rendimiento del modelo determinista de NeuralGCM (que genera un único resultado de predicción determinista) con una resolución de 0,7° es comparable a los modelos de última generación actuales, y la precisión del pronóstico del tiempo puede alcanzar los 5 días.

Los modelos deterministas pueden no representar completamente la diversidad de estados futuros del sistema climático porque solo proporcionan un resultado de predicción. Por lo tanto, en las predicciones climáticas se introducen pronósticos por conjuntos, que generan una serie de posibles escenarios meteorológicos basados ​​en un conjunto de condiciones iniciales ligeramente diferentes. Cuando se integran, los pronósticos por conjuntos producen pronósticos meteorológicos probabilísticos que generalmente son más precisos que los pronósticos deterministas. El artículo afirma que el modelo de pronóstico conjunto de resolución de 1,4° de NeuralGCM supera a los modelos de última generación actuales en términos de precisión de pronóstico de 5 a 15 días.

Además, la precisión de la predicción climática de NeuralGCM para períodos de tiempo más largos también es mayor que la de los modelos de última generación actuales. Al predecir las temperaturas durante el período de 40 años comprendido entre 1980 y 2020, el modelo determinista de 2,8° de NeuralGCM tuvo un error promedio de sólo 0,25 grados Celsius, un tercio del error del Proyecto de Intercomparación de Modelos Atmosféricos (AMIP).

3. Complete la simulación dinámica atmosférica de un año en 8 minutos.

Hoyer dijo que la velocidad de cálculo de NeuralGCM es varios órdenes de magnitud más rápida que la del GCM tradicional, y el costo de cálculo también es menor. El modelo de 1,4° de NeuralGCM es más de 3500 veces más rápido que el modelo climático de alta precisión X-SHiELD. En otras palabras, a los investigadores les tomó 20 días simular un año de dinámica atmosférica usando X-SHiELD, pero solo 8 minutos usando NeuralGCM.

Además, los investigadores deben solicitar acceso a una supercomputadora con 13.000 CPU para ejecutar X-SHiELD, mientras que para ejecutar NeuralGCM solo se requiere una computadora con una única TPU. Hoyer dijo que el coste computacional de la simulación climática utilizando NeuralGCM es cien mil veces mayor que el de utilizar X-SHiELD.

Conclusión: Hacia un modelo de predicción climática más abierto, rápido y eficiente

El equipo de investigación de Google ha hecho públicos el código fuente y los pesos del modelo de NeuralGCM en GitHub para uso no comercial. Hoyer dijo que Google espera que los investigadores de todo el mundo puedan participar activamente en las pruebas y mejoras del modelo. NeuralGCM se puede ejecutar en una computadora portátil, por lo que es de esperar que más investigadores del clima utilicen el modelo en su trabajo.

Actualmente, NeuralGCM solo simula la atmósfera terrestre, pero Google espera incorporar al modelo otros sistemas climáticos, como los océanos y el ciclo del carbono, en el futuro. Aunque NeuralGCM aún no es un modelo climático completo, su aparición proporciona nuevas ideas para la predicción climática. En el futuro, esperamos que la IA mejore aún más la precisión y la velocidad de la predicción climática.

Fuente: Google, Naturaleza