强过「黄金标准」，快3,500倍，成本低10万倍，物理建模融合AI，谷歌天气模型登Nature
输入“/”快速插入内容
强过「黄金标准」，快3,500倍，成本低10万倍，物理建模融合AI，谷歌天气模型登Nature
强过「黄金标准」，快3,500倍，成本低10万倍，物理建模融合AI，谷歌天气模型登Nature
2024年8月12日修改
转载请联系原作者取得授权
编辑 | KX
地球正以前所未有的方式变暖，但气温升高对我们的未来意味着什么尚不完全清楚。全球哪些地区将面临长期干旱？大型热带风暴将使哪些沿海地区的洪灾更加频繁？为了回答这些问题，科学家需要能够准确预测地球气候。
现在，Google Research 研究团队提出一种将传统的基于物理建模与 ML 相结合的新方法——NeuralGCM，可以准确高效地模拟地球大气层。比现有模型更快、计算成本更低、更准确。
NeuralGCM 可以生成 2-15 天的天气预报，比目前基于物理的「黄金标准」模型更准确。在 1 至 10 天预报方面与机器学习模型相媲美，在 1 至 15 天预报方面与欧洲中期天气预报中心的集合预报相媲美。
所得到的模型非常快速且准确，在相似或更高准确度下，计算效率比当前最先进的模型高出 3 到 5 个数量级。
相关研究以「 Neural general circulation models for weather and climate 」为题，于 7 月 22 日发布在《 Nature 》上。
NeuralGCM 架构
NeuralGCM 将基于物理的大气循环模型与用于小规模过程的神经网络相结合。
NeuralGCM 的两个关键组成部分是：一个可微分的动力学 core，用于求解离散化的动力学控制方程；以及一个使用神经网络参数化物理过程的学习物理模块。
动力学 core 模拟在重力和科里奥利力（Coriolis Force）作用下大尺度流体运动和热力学过程。学习物理模块利用神经网络预测未解决过程对模拟场的影响，如云的形成、辐射传输、降水和亚网格尺度动力学。
图示：NeuralGCM 模型的结构。（来源：论文）
NeuralGCM 中的可微分动力学 core 允许采用端到端训练方法，即在采用随机梯度下降之前将模型推进多个时间步骤，以尽量减少模型预测和重新分析之间的差异。通过数百个模拟步骤的扩展反向传播使神经网络能够考虑学习到的物理和动力学核心之间的相互作用。训练确定性和随机性 NeuralGCM 模型，每个模型都使用不同的训练协议。
研究训练了一系列水平分辨率的 NeuralGCM 模型，网格间距为 2.8°、1.4° 和 0.7°。在适合天气预报和气候模拟的一系列时间尺度上评估了 NeuralGCM 的性能。
NeuralGCM 转变气候建模
与传统模型一样，NeuralGCM 将地球大气层划分为立方体，并对空气和水分运动等大规模过程进行物理计算。但它不是依靠科学家制定的参数化来模拟云形成等小规模方面，而是使用神经网络从现有天气数据中学习这些事件的物理特性。
NeuralGCM 的一项关键创新是，研究人员在 JAX 中从头开始重写了大规模过程的数值求解器。这使其能够使用基于梯度的优化在多个时间步骤上「在线」调整耦合系统的行为。