Google stellte NeuralGCM vor, ein hybrides Wettervorhersagemodell, das maschinelles Lernen mit traditionellen Vorhersagetechniken kombiniert und überraschende Vorteile bietet.
Die Wettervorhersage hat sich in Bezug auf die Vorhersagegenauigkeit dramatisch verbessert, aber die herkömmlichen Verfahren erfordern enorme Rechenressourcen, um immer komplexere Algorithmen auszuführen.
Allgemeine Zirkulationsmodelle (GCMs) bilden die Grundlage für die Klima- und Wettervorhersagen, die Sie darüber informieren, ob Sie morgen einen Regenschirm brauchen werden.
GCMs sind physikalisch basierte Simulatoren, die mathematische Gleichungen verwenden, die auf den Gesetzen der Physik basieren, um zu simulieren, wie sich Luft, Wasser und Energie auf dem Planeten bewegen.
Typische GCMs unterteilen die Erdoberfläche in ein Raster von Zellen von bis zu 100 Kilometern, wie ein riesiges Schachbrett. Der Algorithmus bearbeitet jedes Feld schrittweise, um vorherzusagen, wie sich die atmosphärischen Bedingungen wahrscheinlich ändern werden.
Die Gleichungen, die den GCMs zugrunde liegen, sind unglaublich komplex und beschäftigen einige der größten Supercomputer der Welt.
Modelle des maschinellen Lernens (ML) für die Wettervorhersage haben ein erhebliches Potenzial gezeigt, sind aber in erster Linie datengesteuert.
Ein ML-Wettervorhersagemodell hat zwar eine gute Vorstellung von den historischen Wetterdaten, verfügt aber nicht über das inhärente Verständnis der physikalischen Gesetze der Atmosphäre, die in einem GCM modelliert werden.
ML-Modelle sind schnell und können genaue kurzfristige Vorhersagen liefern, aber sie haben oft Probleme mit der langfristigen Stabilität und seltenen extremen Wetterereignissen oder zukünftigen Klimaszenarien.
NeuralGCM wurde von einem Team bei Google Research entwickelt und kombiniert die Genauigkeit und die langfristigen Vorhersagefähigkeiten herkömmlicher GCMs mit der verbesserten Auflösung, Effizienz und Geschwindigkeit von ML-Modellen.
NeuralGCM ist frei verfügbar, und wir sind gespannt, wie die Wissenschaftler darauf aufbauen werden.
Weitere Einzelheiten finden Sie in meinem Blogbeitrag, in dem ich die Arbeit beschreibe, und in unserem Open-Source-Code:https://t.co/AfqLagoYDshttps://t.co/MSlFg6pgfj
- Stephan Hoyer (@shoyer) 22. Juli 2024
In dem Papier heißt es, dass die Genauigkeit von NeuralGCM vergleichbar oder besser ist als die der derzeit modernsten GCM-Modelle. Es heißt, NeuralGCM sei "das erste auf maschinellem Lernen basierende Modell, das genaue Ensemble-Wettervorhersagen macht, mit besserer CRPS als die modernsten physikalisch basierten Modelle.
CRPS ist ein Wert, der das vorhergesagte Wetter mit dem tatsächlich eingetretenen Wetter vergleicht.
Die Forscher behaupten: "NeuralGCM ist konkurrenzfähig mit Machine-Learning-Modellen für ein- bis zehntägige Vorhersagen und mit der Ensemble-Vorhersage des Europäischen Zentrums für mittelfristige Wettervorhersagen für ein- bis fünfzehntägige Vorhersagen."
Während NeuralGCM vergleichbare Vorhersageergebnisse wie GCMs erzielt, ist es um Größenordnungen weniger rechenintensiv und viel weniger komplex.
Das Papier sagt nicht, wie groß NeuralGCM ist, bietet aber das ML-Wettervorhersagemodell von Google an GraphCast als Vergleich.
GraphCast besteht aus etwa 5.417 Zeilen, während das Atmosphärenmodell FV3 der National Oceanic and Atmospheric Administration (NOAA) etwa 376.578 Codezeilen umfasst.
Die Forscher sagen, dass NeuralGCM "Einsparungen von 3 bis 5 Größenordnungen bei den Rechenressourcen" ermöglicht.
Um dies in den Kontext zu stellen, wird in dem Papier erklärt, dass "NeuralGCM-1.4° 70.000 Simulationstage in 24 Stunden mit einer einzigen Tensor-Verarbeitungseinheit simuliert, im Vergleich zu 19 simulierten Tagen auf 13.824 zentralen Recheneinheiten mit X-SHiELD", einem hochauflösenden Wettervorhersagemodell.
Die Forscher sagen, dass ihre Ergebnisse zeigen, dass ihr Modell beeindruckende Klimamodellierungsfähigkeiten hat. Das Papier stellt fest, dass "NeuralGCM-Modelle, die auf 72-Stunden-Vorhersagen trainiert wurden, zu realistischen Mehrjahressimulationen in der Lage sind".
Die Kombination von maschinellem Lernen mit traditionellen physikalischen Modellen, wie es Google bei der Wettervorhersage getan hat, "hat das Potenzial, die Simulation für eine breite Palette von Anwendungen zu verändern, z. B. in der Materialforschung, der Proteinfaltung und dem multiphysikalischen Ingenieurdesign."
Die ressourcenhungrige KI hat dazu geführt, dass Rechenzentren stark in Anspruch genommen werden Emissionen und ihrer potenziellen Auswirkungen auf das Klima kritisiert.
NeuralGCM ist ein gutes Beispiel dafür, wie sich KI positiv auf die Umwelt auswirken kann, indem sie ineffiziente herkömmliche Prozesse ersetzt oder ergänzt, um den Stromverbrauch zu senken.
