天天看点

生成一周大气模拟仅需9.2秒,谷歌气候模型登Nature

生成一周大气模拟仅需9.2秒,谷歌气候模型登Nature

编译 | 孟强

编辑 | 云鹏

智东西7月23日消息,谷歌于7月23日在Nature发表论文,介绍了其与欧洲中期天气预报中心(ECMWF)合作开发的NeuralGCM大气模型,该模型将传统的基于物理建模的模型与机器学习相结合,以提高模型预测天气和气候的准确性以及效率。

生成一周大气模拟仅需9.2秒,谷歌气候模型登Nature

论文显示,NeuralGCM在1到15天的预报准确率与ECMWF不相上下,而ECMWF拥有全世界最先进的传统物理天气预报模型;加入海平面温度后,NeuralGCM的40年气候预测结果与从ECMWF数据中得到的全球变暖趋势一致;NeuralGCM在预测气旋及其轨迹方面也超过了现有的气候模型。

值得一提的是,NeuralGCM在速度上也是“遥遥领先”,可以在30秒计算时间内生成22.8天大气模拟,并且计算成本比传统GCM低100000倍。作为第一个基于机器学习的气候模型,NeuralGCM无论从预测的准确性还是效率,都将天气预测和气候模拟提高到一个新的高度。

论文地址:

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

一、机器学习推动气候模型转型

地球正以前所未有的速度变暖,近年来极端天气频发,世界气象组织表示,2023是有史以来最热的一年,而2024年可能更热。在极端天气频发的背景下,气候预测的重要性尤为突出。

大气环流模型(GCM)是天气和气候预测的基础,是一种用于基于物理学来模拟和预测地球大气和气候系统的传统模型。通过模拟地球大气、海洋、陆地和冰盖等物理过程,GCM能提供长时间尺度的天气和气候预测。尽管传统气候模型几十年来一直在不断改进,但由于科学家对地球气候运作方式和模型建立方式的了解不够完全,这些模型往往会产生错误和偏差。

谷歌高级工程师Stephan Hoyer表示,传统的GCM将地球分成从地表一直延伸到大气层的立方体,边长通常为50-100公里,基于此预测一段时间内每个立方体中的天气变化。他们根据物理定律计算空气和水分的动态变化而得出预测。但云的形成和降雨等许多重要的气候过程,其变化规模都在毫米到公里不等,比目前GCM使用的立方体尺寸小得多,因此无法根据物理学进行准确计算。

此外,科学家还对某些过程缺乏完整的物理理解,例如云是如何形成的。因此,这些传统模型并不完全依赖物理原理,而是使用简化的模型来生成近似值,将天气动态参数化,但这一方法降低了GCM的准确性。

与传统模型一样,NeuralGCM将地球大气层划分为立方体,并对空气运动和水分运动等大规模变化过程的物理特性进行计算。但对于云的形成等小规模天气动态,NeuralGCM并不使用传统的参数化,而是使用神经网络,从现有天气数据中来学习这些天气动态的物理特性。

Hoyer透露,NeuralGCM的一项关键创新是谷歌在JAX中从头写了大规模变化过程的数值求解器,这使该模型能够使用基于梯度的优化来进行“在线”调整。在JAX中编写整个模型的另一个好处是,模型可以在TPU和GPU上高效运行,而传统的气候模型大多在CPU上运行。

二、预测准确性优于当前最先进模型

论文显示,NeuralGCM的确定性模型(输出单一、确定的预测结果)在0.7°分辨率下的性能可与当前最先进的模型相媲美,天气预报准确度可达5天。

确定性模型由于只提供一个预测结果,可能无法充分代表气候系统未来状态的多样性,因此,气候预测中引入了集合预报,即根据略微不同的一组初始条件产生一系列可能发生的天气情景,综合后,集合预报会产生概率天气预报,通常比确定性预报更为准确。论文称,NeuralGCM的1.4°分辨率集合预报模型在5到15天的预报准确率方面优于当前最先进的模型。

生成一周大气模拟仅需9.2秒,谷歌气候模型登Nature

除此之外,NeuralGCM对于时间跨度较长的气候预测准确度也高于目前最先进的模型。在预测1980年至2020年的40年间的气温时,NeuralGCM的2.8°确定性模型的平均误差只有0.25摄氏度,是大气模式对比计划(AMIP)误差的三分之一。

三、8分钟完成一年的大气动态模拟

Hoyer表示,NeuralGCM的计算速度比传统GCM快几个数量级,计算成本也更低。NeuralGCM的1.4°模型比高精度气候模型X-SHiELD快3500倍以上。换句话说,研究人员使用X-SHiELD模拟一年的大气动态需要20天,而使用NeuralGCM只需8分钟。

生成一周大气模拟仅需9.2秒,谷歌气候模型登Nature

此外,研究人员需要请求访问具有13000个CPU的超级计算机才能运行X-SHiELD,然而运行NeuralGCM,仅需一台带有单个TPU的计算机。Hoyer称使用NeuralGCM进行气候模拟的计算成本比使用X-SHiELD低100000倍。

结语:迈向更开放、快速、高效的气候预测模式

GoogleResearch团队已将NeuralGCM的源代码和模型权重在GitHub上公开,供非商业使用,Hoyer表示,谷歌希望全球的研究人员能够积极参与该模型的测试和改良。NeuralGCM可以在笔记本电脑上运行,因此也希望更多气候研究人员在工作中使用该模型。

目前,NeuralGCM仅模拟地球大气层,谷歌希望在将来能将海洋和碳循环等其他气候系统纳入该模型。虽然目前NeuralGCM还不是一个完整的气候模型,但它的出现为气候预测提供了新思路,在未来,我们期望看到AI进一步改善气候预测的准确性和速度。

来源:谷歌,Nature

继续阅读