近日，Google Research和DeepMind聯(lián)合MIT、哈佛及ECMWF的科學(xué)家發(fā)布了一項名為NeuralGCM的革命性大氣模型研究成果。該模型被Nature期刊刊登，其高效準(zhǔn)確的性能為氣候變化預(yù)測提供了強(qiáng)有力的新工具。
谷歌團(tuán)隊已在GitHub上公開了NeuralGCM的源代碼和模型權(quán)重，供非商業(yè)用途。這使得其他研究人員可以輕松添加新組件來測試假設(shè)并改進(jìn)模型功能。NeuralGCM在筆記本電腦上也能運(yùn)行，而不需要超級計算機(jī)的支持，這為更多的氣候研究人員提供了使用這一最先進(jìn)模型的機(jī)會。
什么是NeuralGCM？
NeuralGCM是一種結(jié)合了基于物理的建模和機(jī)器學(xué)習(xí)技術(shù)的大氣模型。與傳統(tǒng)的基于物理的大氣環(huán)流模型（GCM）相比，NeuralGCM在模擬效率上提高了10萬倍，并且在準(zhǔn)確性上也有顯著提升。傳統(tǒng)GCM在進(jìn)行長期氣候模擬時，穩(wěn)定性不足，且依賴于簡化的近似值（參數(shù)化）來模擬小尺度天氣變化，這些簡化的近似值常導(dǎo)致誤差。在2至15天的預(yù)測中，NeuralGCM的集合預(yù)測有95%的時間比ECMWF-ENS更準(zhǔn)確。
NeuralGCM打造最先進(jìn)的大氣模型
NeuralGCM通過神經(jīng)網(wǎng)絡(luò)從歷史天氣數(shù)據(jù)中學(xué)習(xí)小尺度天氣事件的物理原理，而非依賴簡化模型來生成近似值。此外，NeuralGCM使用JAX重新編寫了大規(guī)模過程的數(shù)值求解器，使研究人員能夠在線調(diào)整耦合系統(tǒng)在多個時間步長上的行為。這種方法解決了之前機(jī)器學(xué)習(xí)增強(qiáng)氣候模型在數(shù)值穩(wěn)定性方面的困難，并且能在TPU和GPU上高效運(yùn)行，而傳統(tǒng)模型主要依賴CPU。
谷歌團(tuán)隊使用1979年至2019年間的ECMWF天氣數(shù)據(jù)，在不同分辨率下訓(xùn)練了一系列NeuralGCM模型。結(jié)果表明，在2-15天的天氣預(yù)報中，NeuralGCM的準(zhǔn)確性優(yōu)于當(dāng)前最先進(jìn)的物理模型，且在再現(xiàn)過去40年的氣溫方面表現(xiàn)更優(yōu)。NeuralGCM的1.4°分辨率模型在5至15天的預(yù)測準(zhǔn)確性上超越了ECMWF的ENS模型，且在氣候時間尺度上的預(yù)測表現(xiàn)也顯著優(yōu)于最先進(jìn)的大氣模型。
NeuralGCM的1.4°分辨率模型在計算速度上比X-SHiELD快3500多倍，使得模擬一年的大氣只需8分鐘，而X-SHiELD則需20天。總體而言，NeuralGCM的計算成本比X-SHiELD低10萬倍，相當(dāng)于高性能計算領(lǐng)域25年的進(jìn)步速度。
NeuralGCM的發(fā)布標(biāo)志著氣候建模領(lǐng)域的重要進(jìn)步。其高效、準(zhǔn)確的特點(diǎn)有望幫助科學(xué)家更好地預(yù)測氣候變化，回答全球變暖帶來的關(guān)鍵問題，例如哪些地區(qū)將面臨長期干旱、哪些地方將因熱帶風(fēng)暴導(dǎo)致沿海洪水更頻繁、以及隨著氣溫上升，野火季節(jié)將如何變化。NeuralGCM為全球氣候研究和政策制定提供了強(qiáng)有力的技術(shù)支持。
原創(chuàng)文章，作者：蘋果派，如若轉(zhuǎn)載，請注明出處：http://2079x.cn/article/669095.html
