智東西（公眾號：zhidxcom）
編譯 |? 孟(meng)強
編輯 |? 云鵬
智(zhi)東西7月(yue)24日(ri)消(xiao)息，谷歌于7月(yue)23日(ri)在Nature發(fa)表論文，介紹(shao)了其與(yu)(yu)歐洲中期天氣預報中心(xin)（ECMWF）合(he)作(zuo)開發(fa)的NeuralGCM大氣模(mo)型，該模(mo)型將傳統的基于物理建模(mo)的模(mo)型與(yu)(yu)機器學習(xi)相結(jie)合(he)，以提高模(mo)型預測(ce)天氣和氣候的準確(que)性以及效率。
論文顯示(shi)，NeuralGCM在1到15天的(de)預報準確(que)率與ECMWF不相上下，而ECMWF擁有全世界最先進的(de)傳統物理天氣(qi)預報模(mo)型(xing)；加(jia)入海平(ping)面溫(wen)度后，NeuralGCM的(de)40年(nian)氣(qi)候(hou)預測結果與從(cong)ECMWF數據(ju)中得(de)到的(de)全球變暖趨勢一致；NeuralGCM在預測氣(qi)旋及其軌跡方面也(ye)超(chao)過了現有的(de)氣(qi)候(hou)模(mo)型(xing)。
值(zhi)得一提(ti)的(de)(de)是(shi)，NeuralGCM在速度上(shang)也是(shi)“遙遙領(ling)先”，可以在30秒(miao)計算(suan)時間(jian)內(nei)生成22.8天大氣(qi)模擬(ni)(ni)，并(bing)且(qie)計算(suan)成本比傳統(tong)GCM低(di)100000倍(bei)。作為第一個基于機器學(xue)習的(de)(de)氣(qi)候(hou)模型(xing)，NeuralGCM無論(lun)從(cong)預測的(de)(de)準確性還是(shi)效率，都(dou)將天氣(qi)預測和(he)氣(qi)候(hou)模擬(ni)(ni)提(ti)高到一個新的(de)(de)高度。
論文地(di)址：//www.nature.com/articles/s41586-024-07744-y
一、機器學習推動氣候模型轉型
地(di)球正(zheng)以(yi)前所未有的速度變(bian)暖，近年(nian)來極(ji)端(duan)天(tian)(tian)氣(qi)頻(pin)發，世(shi)界氣(qi)象組織表示，2023是有史以(yi)來最熱(re)的一年(nian)，而2024年(nian)可能更熱(re)。在極(ji)端(duan)天(tian)(tian)氣(qi)頻(pin)發的背景下，氣(qi)候預(yu)測的重(zhong)要(yao)性(xing)尤為突出。
大(da)氣(qi)環(huan)流模(mo)(mo)(mo)(mo)型(GCM)是天氣(qi)和(he)(he)氣(qi)候預(yu)測(ce)的(de)(de)基(ji)礎，是一(yi)種用(yong)于基(ji)于物(wu)理學來模(mo)(mo)(mo)(mo)擬和(he)(he)預(yu)測(ce)地(di)球大(da)氣(qi)和(he)(he)氣(qi)候系(xi)統的(de)(de)傳統模(mo)(mo)(mo)(mo)型。通過模(mo)(mo)(mo)(mo)擬地(di)球大(da)氣(qi)、海洋、陸地(di)和(he)(he)冰蓋等物(wu)理過程(cheng)，GCM能提供長時間尺度的(de)(de)天氣(qi)和(he)(he)氣(qi)候預(yu)測(ce)。盡(jin)管傳統氣(qi)候模(mo)(mo)(mo)(mo)型幾十年來一(yi)直(zhi)在不(bu)斷改進，但由于科學家(jia)對地(di)球氣(qi)候運(yun)作方式和(he)(he)模(mo)(mo)(mo)(mo)型建立方式的(de)(de)了解不(bu)夠完全，這些模(mo)(mo)(mo)(mo)型往往會(hui)產生(sheng)錯誤(wu)和(he)(he)偏差。
谷歌高級工程(cheng)師Stephan Hoyer表示，傳統的(de)GCM將(jiang)地球分成從地表一(yi)直延(yan)伸(shen)到大氣層的(de)立(li)方體(ti)，邊長通(tong)常為(wei)50-100公里(li)，基(ji)于(yu)此(ci)預測一(yi)段時(shi)間內每(mei)個(ge)立(li)方體(ti)中的(de)天(tian)氣變(bian)(bian)化(hua)。他們根據(ju)物(wu)理(li)定(ding)律計算(suan)空氣和水分的(de)動態變(bian)(bian)化(hua)而得出預測。但云的(de)形成和降(jiang)雨等許多(duo)重(zhong)要的(de)氣候過(guo)程(cheng)，其變(bian)(bian)化(hua)規模都在(zai)毫米到公里(li)不(bu)等，比目前GCM使用的(de)立(li)方體(ti)尺(chi)寸小得多(duo)，因此(ci)無法根據(ju)物(wu)理(li)學進行準(zhun)確計算(suan)。
此(ci)外，科學家還(huan)對某些(xie)過程缺(que)乏完整的物理理解，例如云是如何形成(cheng)的。因(yin)此(ci)，這些(xie)傳統模型并不完全依賴(lai)物理原理，而是使用簡(jian)化的模型來生成(cheng)近似(si)值，將天氣動態參數(shu)化，但這一方(fang)法降低了GCM的準(zhun)確(que)性。
與傳統模型(xing)一樣(yang)，NeuralGCM將地球大(da)氣(qi)層劃分為立方體，并(bing)對空(kong)氣(qi)運動(dong)和水分運動(dong)等大(da)規模變化(hua)過程(cheng)的物(wu)理(li)(li)特(te)性進行計算(suan)。但對于云的形成等小規模天(tian)氣(qi)動(dong)態，NeuralGCM并(bing)不使(shi)用(yong)傳統的參(can)數化(hua)，而是使(shi)用(yong)神經網絡，從現有(you)天(tian)氣(qi)數據中(zhong)來學習這些天(tian)氣(qi)動(dong)態的物(wu)理(li)(li)特(te)性。
Hoyer透露，NeuralGCM的(de)一項關鍵創新是谷歌在(zai)JAX中從頭寫了大規模變化過(guo)程(cheng)的(de)數值求解器(qi)，這(zhe)使該模型能夠使用基(ji)于梯度的(de)優(you)化來進(jin)行“在(zai)線”調整。在(zai)JAX中編寫整個模型的(de)另一個好處是，模型可以在(zai)TPU和GPU上高效運(yun)行，而傳統的(de)氣(qi)候模型大多在(zai)CPU上運(yun)行。
二、預測準確性優于當前最先進模型
論文顯(xian)示，NeuralGCM的確(que)定(ding)性模(mo)型（輸出單一(yi)、確(que)定(ding)的預測結果）在0.7°分辨率(lv)下(xia)的性能可與當(dang)前最先進的模(mo)型相(xiang)媲(pi)美，天氣預報準確(que)度可達5天。
確(que)定性模(mo)型由于只提供(gong)一個預(yu)(yu)(yu)(yu)(yu)測結果(guo)，可(ke)能(neng)無法充分代表氣候(hou)系統未來狀態(tai)的(de)(de)多樣(yang)性，因此，氣候(hou)預(yu)(yu)(yu)(yu)(yu)測中引入了集合(he)(he)預(yu)(yu)(yu)(yu)(yu)報，即根據略微不同的(de)(de)一組初始條(tiao)件產生一系列可(ke)能(neng)發生的(de)(de)天(tian)氣情景，綜合(he)(he)后，集合(he)(he)預(yu)(yu)(yu)(yu)(yu)報會產生概(gai)率天(tian)氣預(yu)(yu)(yu)(yu)(yu)報，通常比確(que)定性預(yu)(yu)(yu)(yu)(yu)報更為準確(que)。論文(wen)稱，NeuralGCM的(de)(de)1.4°分辨率集合(he)(he)預(yu)(yu)(yu)(yu)(yu)報模(mo)型在5到15天(tian)的(de)(de)預(yu)(yu)(yu)(yu)(yu)報準確(que)率方面(mian)優于當前最先進(jin)的(de)(de)模(mo)型。
除此之(zhi)外，NeuralGCM對(dui)(dui)于時間跨度較長的(de)氣候預測(ce)準確度也高于目(mu)前最先進的(de)模型(xing)。在(zai)預測(ce)1980年(nian)(nian)至(zhi)2020年(nian)(nian)的(de)40年(nian)(nian)間的(de)氣溫時，NeuralGCM的(de)2.8°確定性模型(xing)的(de)平均誤(wu)差(cha)只有0.25攝氏(shi)度，是(shi)大氣模式(shi)對(dui)(dui)比(bi)計劃（AMIP）誤(wu)差(cha)的(de)三分之(zhi)一。
三、8分鐘完成一年的大氣動態模擬
Hoyer表示(shi)，NeuralGCM的(de)計算(suan)速度(du)比(bi)傳(chuan)統GCM快幾個數量級，計算(suan)成(cheng)本也更低。NeuralGCM的(de)1.4°模型比(bi)高精度(du)氣候模型X-SHiELD快3500倍(bei)以上。換句話說(shuo)，研(yan)究人員使用X-SHiELD模擬(ni)一年(nian)的(de)大氣動態需要20天(tian)，而使用NeuralGCM只需8分鐘。
此外(wai)，研(yan)究人員需(xu)要(yao)請求(qiu)訪問具有13000個(ge)CPU的超級計算(suan)機(ji)才(cai)能(neng)運行X-SHiELD，然(ran)而運行NeuralGCM，僅需(xu)一臺帶(dai)有單個(ge)TPU的計算(suan)機(ji)。Hoyer稱使用(yong)NeuralGCM進行氣候模擬的計算(suan)成本是使用(yong)X-SHiELD的十萬(wan)分之一。
結語：邁向更開放、快速、高效的氣候預測模式
GoogleResearch團隊已將NeuralGCM的源代碼和(he)模(mo)型權重(zhong)在GitHub上(shang)公開，供(gong)非商(shang)業使用(yong)(yong)，Hoyer表示，谷歌希(xi)望(wang)全球(qiu)的研(yan)究人員能(neng)夠積極參與該模(mo)型的測試和(he)改良。NeuralGCM可以在筆記(ji)本電腦上(shang)運(yun)行，因此也希(xi)望(wang)更(geng)多(duo)氣候研(yan)究人員在工作(zuo)中使用(yong)(yong)該模(mo)型。
目前，NeuralGCM僅模(mo)擬地球大氣(qi)(qi)層，谷歌希望(wang)(wang)在(zai)將來能將海洋和碳循環(huan)等其他氣(qi)(qi)候(hou)(hou)系統納入該(gai)模(mo)型。雖然目前NeuralGCM還(huan)不是一(yi)個(ge)完整的(de)氣(qi)(qi)候(hou)(hou)模(mo)型，但它的(de)出現為(wei)氣(qi)(qi)候(hou)(hou)預(yu)測(ce)提供(gong)了新思路，在(zai)未來，我們期望(wang)(wang)看到AI進一(yi)步改善(shan)氣(qi)(qi)候(hou)(hou)預(yu)測(ce)的(de)準(zhun)確性和速(su)度。
來源(yuan)：谷(gu)歌，Nature
