NVIDIA lanza el modelo de predicción meteorológica StormCast, la IA hace que "perseguir el viento" sea más rápido y preciso
2024-08-24
한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina
Los tifones, "viejos conocidos" de la naturaleza, a menudo tienen un enorme impacto en la producción y la vida de las personas con su sorprendente poder destructivo y sus trayectorias impredecibles. De junio a agosto de cada año, también es el período activo de tifones en el noroeste del Pacífico. Según el pronóstico de China Weather Network, según el "calendario" de tifones para agosto de este año, habrá de 3 a 4 tifones en el Pacífico noroeste y el Mar Meridional de China en agosto, lo que es menos que el mismo período en años normales. Entre ellos, de 2 a 3 tifones aterrizarán en mi país y se moverán principalmente hacia el oeste y el noroeste.
En los últimos años, las tecnologías y herramientas meteorológicas de "persecución del viento" también han estado evolucionando y actualizándose constantemente. El periodista se enteró de que Nvidia lanzó recientemente StormCast, un innovador modelo de inteligencia artificial generativa para simular la dinámica atmosférica de alta fidelidad. El punto decisivo de este modelo es que puede predecir de manera confiable sistemas climáticos que aún no han formado un ciclón antes de que se genere la tormenta. haciendo predicciones de tifones un paso antes: ahora es capaz de alcanzar una resolución espacial de 3 kilómetros y una resolución temporal de cada hora.
Hace dos meses, el fundador y director ejecutivo de Nvidia, Jensen Huang, presentó el modelo CorrDiff disponible a través de Earth-2. Según los informes, NVIDIA Earth-2 es una plataforma de nube gemela digital que integra inteligencia artificial, simulación física y gráficos por computadora. Puede simular y visualizar predicciones meteorológicas y climáticas a escala global con una precisión y velocidad sin precedentes. CorrDiff puede aumentar la resolución del modelo de 25 kilómetros a 2 kilómetros. La resolución es 12,5 veces mayor que antes, la velocidad de inferencia única es 1000 veces más rápida que el método tradicional y la eficiencia energética aumenta 3000 veces.
La aparición de StormCast agrega una función de predicción autorregresiva por hora a CorrDiff, lo que significa que el modelo puede predecir resultados futuros basándose en resultados pasados.
Las previsiones se pueden realizar con hasta 6 horas de antelación
Los peligros físicos derivados del tiempo y el cambio climático varían significativamente entre regiones. Pero dado que la simulación de movimientos hidrodinámicos fundamentales a mesoescala requiere una alta resolución espacial, las predicciones meteorológicas numéricas fiables a este nivel son computacionalmente costosas.
Por lo tanto, en el pasado, los investigadores meteorológicos a menudo tenían que hacer concesiones en resolución, tamaño de conjunto y asequibilidad en los modelos regionales de pronóstico del tiempo (a menudo llamados modelos de convección admisible, abreviados como CAM).
A resoluciones más bajas, los modelos de aprendizaje automático entrenados con datos globales han podido simular eficazmente modelos numéricos de predicción meteorológica para mejorar los sistemas de alerta temprana de eventos graves. La resolución espacial de estos modelos de aprendizaje automático suele ser de unos 30 kilómetros y la resolución temporal es de 6 horas.
Con la ayuda de la tecnología de difusión generativa, StormCast puede alcanzar una resolución espacial de 3 kilómetros y una resolución temporal de cada hora. El modelo, cuando se utiliza junto con un radar de precipitaciones, ya puede proporcionar pronósticos con hasta 6 horas de antelación.
Además, las salidas de StormCast muestran dinámicas de calor y humedad físicamente realistas y pueden predecir más de 100 variables como temperatura, concentración de humedad, valores de reflectividad del radar de viento y lluvia en múltiples niveles de altitud finamente divididos. Esto permitió a los investigadores meteorológicos confirmar por primera vez la verdadera evolución 3D de la flotabilidad de las tormentas en una simulación meteorológica de IA.
Más innovaciones están en camino
Los científicos ya están explorando cómo aprovechar el modelo. Tom Hamill, jefe de innovación de The Weather Company, dijo: “Debido a que las tormentas eléctricas ordenadas y las precipitaciones invernales pueden tener un gran impacto y son extremadamente difíciles de predecir de manera confiable, producir pronósticos meteorológicos conjuntos a escala de tormentas computacionalmente manejables es una prioridad para StormCast. que claramente aborda un desafío difícil en el campo de la predicción numérica del tiempo. The Weather Company está entusiasmada de trabajar con NVIDIA para desarrollar, evaluar y utilizar estos modelos de pronóstico de aprendizaje profundo en el futuro”.
"El desarrollo de modelos meteorológicos de alta resolución requiere el uso de algoritmos de inteligencia artificial para resolver problemas de convección, lo cual es un desafío difícil", dijo Imme Ebert-Uphoff, directora de aprendizaje automático en el Instituto Cooperativo de Investigación Atmosférica de la Universidad Estatal de Colorado. "Esta nueva investigación de NVIDIA. explora el uso de StormCast. El potencial del modelo de isodifusión para lograr esto representa un paso importante hacia el desarrollo de modelos de pronóstico del tiempo de alta resolución con IA en el futuro".
Estos avances en la investigación no solo permiten la aceleración y visualización de simulaciones climáticas físicamente precisas y crean un gemelo digital de la Tierra, sino que también demuestran cómo NVIDIA Earth-2 ha marcado el comienzo de una nueva e importante era de investigación climática.
Se informa que NVIDIA Research cuenta con cientos de científicos e ingenieros en todo el mundo, centrándose en la investigación en los campos de la IA climática, gráficos por computadora, visión por computadora, vehículos autónomos y robots.
Autor: Zhang Tianchi
Texto: Zhang Tianchi Editor: Zhang Yi Editor: Rong Bing
Indique la fuente al reimprimir este artículo.
