【DASD-238】解禁☆黒人ファック ASUKA 谷歌AI天气“神算”登Nature:30秒模拟22天天气,效劳暴涨10万倍!
今天一早【DASD-238】解禁☆黒人ファック ASUKA,谷歌CEO劈柴在X上发布帖子,宣告NeuralGCM在风物建模领域获得了重要破损!
「NeuralGCM将基于物理的建模与东说念主工智能相勾搭,在模拟大气方面的效劳比其他模子超越10万倍,为科学家提供了展望风物变化的新器用。」
这项商榷舍弃也被刊登在了Nature上,商榷团队大部分来自Google Research和DeepMind,还有MIT、哈佛和ECMWF的科学家。
论文地址:https://www.nature.com/articles/s41586-024-07744-y
谷歌斥地的这个名为NeuralGCM的模子,粗略快速、高效且准确地模拟地球大气。
其意思意思在于,在地球正以前所未有的速率变暖确当下,匡助科学家对地球风物作念出准确的展望——
环球气温升高会使哪些地区靠近弥远干旱?哪些场地会因大型热带风暴而使沿海急流愈加频频?跟着气温高潮,野火季节将怎样变化?
面对这些亟待处置的问题,传统的基于物理的大气环流模子(General Circulation Model,GCM)显得有些纳屦踵决,GCM在面对弥远天气和风物模拟时,浮泛满盈的相识性。
而NeuralGCM是一种基于机器学习的关节,勾搭了传统的物理建模,大大提高了模拟的准确性和效劳。
这种关节生成的2-15天的天气预告比现在起先进的物理模子更准确,况兼比传统的大气模子更准确地再现了曩昔40年的气温。
它记号着在斥地更开阔、更易使用的风物模子方面迈出了进犯一步。
NeuralGCM模拟了2019年12月26日至2020年1月8日历间的特定湿度(specific humidity)变化步地
NeuralGCM变革风物建模
尽管传统风物模子在曩昔几十年中有所更正,但由于科学家对地球风物启动机制和模子构建神情的透露演叨足,它们经常会产生罪戾和偏差。
这些模子将地球从地表到大气层的这部分空间,分歧红边长为50-100公里的立方体,然后展望每个立方体在一段时期内的天气变化。
然后,模子把柄公认的物理定律经营空气和水分的通顺,这也便是天气预告的基喜悦趣。
但问题在于,50-100公里这个标准确实是太大了。
很多进犯的风物经由,包括云和降水,在比面前模子使用的立方体尺寸更小的标准上变化(毫米到公里)。
而且,科学家们对某些经由(如云的造成)的物理透露也不完好。
因此,这些传统模子不仅依赖于基喜悦趣,还使用简化模子生成称为「参数化」的类似值来模拟小标准和不太了解的经由。
这些简化的类似值不行幸免地缩短了基于物理的风物模子的准确性。
那么【DASD-238】解禁☆黒人ファック ASUKA,NeuralGCM是若那处置这一难题的呢?
像传统模子一样,NeuralGCM仍然将地球大气分歧为立方体,并对大领域经由(如空气和水分通顺)的物理进行经营。
不同的是,NeuralGCM不再依赖科学家制定的「参数化」类似值来模拟小标准天气变化,熟女乱伦图片而是使用神经汇聚从现存天气数据中学习这些事件的物理旨趣。
NeuralGCM的一个环节创新,是用JAX重新重写了大领域经由的数值求解器。
这使得商榷东说念主员粗略使用基于梯度的优化,来在线改革耦合系统在多个时期步长上的「在线」活动。
比较之下,之前尝试使用机器学习增强风物模子的奋勉在数值相识性方面遭受了很大繁难,因为它们使用「离线」熟谙,忽略了跟着时期蕴蓄的小标准和大标准经由之间的进犯响应。
将所有这个词这个词模子用JAX编写的另一个自制是它不错在TPU和GPU上高效启动,而传统的风物模子大多在CPU上启动。
NeuralGCM勾搭了传统的流体能源学求解器和用于小标准物理的神经汇聚,这些组件通过一个微分方程求解器组合在一皆,使系统按期间限定鞭策
谷歌团队使用了1979年至2019年间ECMWF的天气数据,在0.7°、1.4°和2.8°分辨率下熟谙了一系列NeuralGCM模子。
诚然NeuralGCM是基于天气预告数据熟谙的,但团队想象NeuralGCM为一个通用的大气模子。
精确的天气预告和风物展望
最近的地球大气机器学习(ML)模子,包括Google DeepMind的GraphCast,如故在天气展望方面展示了更动性的准确性。
迄今为止,ML展望的商榷主要皆集在短期展望上,远未达到风物展望所需的数年到数十年时期。
由于数十年的风物展望难以得到可靠考证,谷歌团队评估了NeuralGCM在风物标准展望方面的弘扬,并使用已建设的WeatherBench 2基准将其行动一个天气模子进行了评估。
NeuralGCM在0.7°分辨率下的笃定性模子(deterministic model)在天气预告准确性方面与面前起先进的模子特地,天气预告准确度可达 5 天。
关连词,笃定性步地浮泛所需的量化不笃定性,无法在较长的准备时期内作念出有效的预告。
预告荟萃从略略不同的肇始条款生成,以产生一系列通常可能的天气情况。这些荟萃产生的概率天气预告频频比笃定性预告更准确。
NeuralGCM在1.4°分辨率下的集成模子(ensemble model),在5至15天的展望准确性方面优于之前的SOTA。
这种性能进步,收货于NeuralGCM生成的是荟萃天气展望,后者能和ECMWF基于物理的SOTA模子ECMWF-ENS相忘形。
在已发布的ML模子中,NeuralGCM是第一个作念到这少量的。
在2至15天的展望中,NeuralGCM的荟萃展望有95%的时期比ECMWF-ENS更准确。
NeuralGCM在风物时期标准展望方面,NeuralGCM也优于起先进的大气模子。
果肉系列由于NeuralGCM仅模拟地球风物的大气要素,谷歌团队将其性能与基于物理的大气模子进行了比较。
在展望1980年至2020年间的温度时,NeuralGCM的2.8°笃定性模子的平均罪戾,是大气模子(AMIP)罪戾的三分之一,即0.25 vs. 0.75摄氏度。
对比NeuralGCM和AMIP在1980年至2020年间展望1000 hPa环球平均温度的弘扬
由于传统的大气模子在模拟地球大气的某些方面存在繁难,风物科学家偶而会使用更高分辨率的模子,如X-SHiELD,这些模子诚然更准确,但经营老本较高。
与X-SHiELD比较,NeuralGCM的1.4°笃定性模子在展望2020年的湿度和温度数据时罪戾减少了15-50%,这些数据由好意思国国度海洋和大气料理局(NOAA)提供。
在2020年的风物模拟期间,NeuralGCM还展望了热带气旋步地,这些步地与当年在疏通区域不雅察到的风暴数目和强度相匹配。
NeuralGCM是第一个粗略生成此类步地的基于机器学习的模子。
NeuralGCM展望了2020年环球范围内的热带气旋旅途(展望的风暴数目和强度与ECMWF再分析v5(ERA5)数据皆集纪录的施行气旋数目和强度相匹配)
绽放、快速、高效
NeuralGCM在经营速率和老本上比传统的基于物理的风物模子快了几个数目级。
其1.4°模子比X-SHiELD快3500多倍,这意味着要是商榷东说念主员用X-SHiELD模拟一年的大气,需要20天,而用NeuralGCM只需8分钟。
而且,科学家只需要一台带有单个TPU(张量处理单位,Tensor Processing Unit)的经营机就能启动NeuralGCM,而启动X-SHiELD则需要央求使用领有13000个CPU(中央处理单位,Central Processing Unit)的超等经营机。
总体而言,使用NeuralGCM进行风物模拟的经营老本比X-SHiELD低10万倍,特地于高性能经营领域25年的越过速率。
在此图表中,NeuralGCM和两个物理模子NCAR CAM、NOAA X-SHiELD同场竞技,对比它们在30秒经营时期内生成的大气模拟天数。
这三个模子分别以不同的分辨率启动,其中X-SHiELD的分辨率最高(0.03°),NCAR CAM6的分辨率为1.0°,NeuralGCM的分辨率最低(1.4°)。
值得一提的是,尽管NeuralGCM以低分辨率启动,但其准确性与高分辨率模子特地。
那么,在准确本性外的情况下,不错看到,NeuralGCM在30s的时期内,就粗略生成22.8天的大气模拟,而X-SHiELD行动一个必须在超等经营机上启动的高分辨率物理模子,则只可生成9分钟!
这也让之前因经营老本较低而颇受商榷东说念主员喜爱的NCAR CAM6的上风化为乌有。
谷歌团队已在GitHub上公开了NeuralGCM的源代码和模子权重,供非贸易用途。他们但愿其他商榷东说念主员不错搪塞添加新组件来测试假定并更正模子功能。
此外,由于NeuralGCM不错在条记本电脑上启动,而不需要超等经营机的复古,因此更多的风物商榷东说念主员粗略在他们的使命中使用这一起先进的模子。
论断和畴昔标的
NeuralGCM现在仅对地球大气进行建模,但谷歌团队但愿最终将地球风物系统的其他方面,如海洋和碳轮回,纳入模子。
通过这种神情,NeuralGCM将粗略在更长的时期标准上进行展望,不仅不错展望几天和几周的天气,还能在风物时期标准上进行展望。
一言以蔽之【DASD-238】解禁☆黒人ファック ASUKA,NeuralGCM提倡了一种构建风物模子的新关节,这种关节可能比现存模子更快、经营老本更低且更准确。