Компания Google представила NeuralGCM - гибридную модель прогнозирования погоды, сочетающую машинное обучение с традиционными методами прогнозирования и обладающую удивительными преимуществами.
Прогнозирование погоды позволило значительно повысить точность прогнозов, однако традиционные методы требуют огромных вычислительных ресурсов для выполнения все более сложных алгоритмов.
Модели общей циркуляции (МОЦ) лежат в основе прогнозов климата и погоды, благодаря которым вы знаете, понадобится ли вам завтра зонтик.
МОЦ - это физические симуляторы, которые используют математические уравнения, основанные на законах физики, для моделирования движения воздуха, воды и энергии вокруг планеты.
Типичные МОЦ делят поверхность Земли на сетку клеток размером до 100 километров, как гигантскую шахматную доску. Алгоритм пошагово обрабатывает каждую клетку, чтобы предсказать, как могут измениться атмосферные условия.
Уравнения, лежащие в основе МОЦ, невероятно сложны и заставляют работать самые большие суперкомпьютеры в мире.
Модели машинного обучения (ML) для предсказания погоды продемонстрировали значительный потенциал, но они в основном основаны на данных.
Модель прогнозирования погоды ML имеет прекрасное представление об исторических данных о погоде, но ей не хватает понимания физических законов, управляющих атмосферой, которые моделируются в GCM.
ML-модели работают быстро и могут давать точные краткосрочные прогнозы, но они часто испытывают трудности с долгосрочной стабильностью и редкими экстремальными погодными явлениями или будущими климатическими сценариями.
NeuralGCM, разработанный командой Google Research, сочетает в себе точность и возможности долгосрочного прогнозирования традиционных GCM с улучшенным разрешением, эффективностью и скоростью ML-моделей.
NeuralGCM находится в свободном доступе, и мы с нетерпением ждем, когда ученые начнут его развивать.
Более подробную информацию можно найти в моем блоге, где описана работа, а также в нашем открытом коде:https://t.co/AfqLagoYDshttps://t.co/MSlFg6pgfj
- Стефан Хойер (@shoyer) 22 июля 2024 года
В статье говорится, что точность NeuralGCM сопоставима с современными моделями GCM или превосходит их. В документе говорится, что NeuralGCM - это "первая модель на основе машинного обучения, которая делает точные ансамблевые прогнозы погоды, с лучшим CRPS, чем современные модели на основе физики".
CRPS - это показатель, который сравнивает прогнозируемую погоду с фактической.
Исследователи утверждают, что "NeuralGCM конкурирует с моделями машинного обучения для прогнозов на один-десять дней и с ансамблевым прогнозом Европейского центра прогнозов погоды на средние расстояния для прогнозов на один-пятнадцать дней".
Хотя NeuralGCM достигает сопоставимых с GCM результатов прогнозирования, он на порядки менее требователен к вычислениям и гораздо менее сложен.
Газета Не говорится, насколько велика NeuralGCM, но предлагается ML-модель Google для предсказания погоды. GraphCast для сравнения.
GraphCast состоит примерно из 5 417 строк, в то время как атмосферная модель FV3 Национального управления океанических и атмосферных исследований (NOAA) содержит около 376 578 строк кода.
Исследователи утверждают, что NeuralGCM позволяет "экономить вычислительные ресурсы на 3-5 порядков".
В статье поясняется, что "NeuralGCM-1.4° моделирует 70 000 симуляционных дней за 24 часа с помощью одного блока тензорной обработки против 19 симуляционных дней на 13 824 ядрах центрального процессора в X-SHiELD", которая представляет собой модель прогнозирования погоды с высоким разрешением.
По словам исследователей, полученные ими результаты показывают, что их модель обладает впечатляющими возможностями по моделированию климата. В статье отмечается, что "нейроГКМ-модели, обученные на 72-часовых прогнозах, способны к реалистичному многолетнему моделированию".
Сочетание машинного обучения с традиционными физическими моделями, как это сделала Google с прогнозом погоды, "имеет потенциал для преобразования моделирования для широкого спектра приложений, таких как открытие материалов, сворачивание белков и многофизическое инженерное проектирование".
ИИ, требовательный к ресурсам, привел к тому, что центры обработки данных оказались под большим вопросом. критикуют за выбросы углекислого газа и потенциальное воздействие на климат.
NeuralGCM - хороший пример того, как ИИ может положительно повлиять на окружающую среду, заменив или дополнив неэффективные традиционные процессы для снижения потребления вычислительной мощности.
