文章摘要
【关 键 词】 机器学习、气候模型、NeuralGCM、天气预报、高效计算
谷歌公司提出了一种新型的基于机器学习（ML）的大气环流模型NeuralGCM，该模型在气候建模领域取得了重大突破。NeuralGCM结合了传统的物理建模和人工智能技术，相较于传统模型，它在模拟大气方面的效率提高了10万倍，计算成本降低了10万倍，相当于高性能计算领域25年的进步速度。此外，NeuralGCM在2-15天的天气预报方面，比现有的最先进的物理模型还要准确。
NeuralGCM的开发团队主要由Google Research和DeepMind的研究人员组成，还包括来自麻省理工学院、哈佛大学和欧洲中期天气预报中心（ECMWF）的科学家。研究成果已发表在《自然》杂志上。NeuralGCM模型能够快速、高效且准确地模拟地球大气，对于预测气候变化具有重要意义。它可以回答全球气温升高对地区长期干旱、沿海洪水和野火季节变化的影响等问题。
传统的基于物理的大气环流模型（GCM）在长期天气和气候模拟方面存在稳定性不足的问题。这些模型将地球从地表到大气层的空间划分成边长为50-100公里的立方体，然后预测每个立方体在一段时间内的天气变化。但是，由于科学家对地球气候运行机制和模型构建方式的理解不完全，这些模型往往会产生误差和偏差。
NeuralGCM通过使用神经网络从现有天气数据中学习小尺度天气变化的物理原理，解决了这一难题。它的关键创新之一是使用JAX从头重写了大规模过程的数值求解器，使得研究人员能够使用基于梯度的优化来在线调整耦合系统在多个时间步长上的在线行为。这与之前尝试使用机器学习增强气候模型的努力相比，在数值稳定性方面取得了显著进步。
谷歌团队使用1979年至2019年间ECMWF的天气数据，在不同分辨率下训练了一系列NeuralGCM模型。NeuralGCM在0.7°分辨率下的确定性模型在天气预报准确性方面与当前最先进的模型相当，可达5天的准确度。在1.4°分辨率下的集成模型在5至15天的预测准确性方面优于之前的SOTA。在2至15天的预测中，NeuralGCM的集合预测有95%的时间比ECMWF-ENS更准确。
在气候时间尺度预测方面，NeuralGCM也优于最先进的大气模型。例如，在预测1980年至2020年间的温度时，NeuralGCM的2.8°确定性模型的平均误差是大气模型（AMIP）误差的三分之一。与X-SHiELD相比，NeuralGCM的1.4°确定性模型在预测2020年的湿度和温度数据时误差减少了15-50%。
NeuralGCM在计算速度和成本上比传统的基于物理的气候模型快了几个数量级。其1.4°模型比X-SHiELD快3500多倍，这意味着如果研究人员用X-SHiELD模拟一年的大气，需要20天，而用NeuralGCM只需8分钟。此外，科学家只需要一台带有单个TPU的计算机就能运行NeuralGCM，而运行X-SHiELD则需要请求使用拥有13000个CPU的超级计算机。总体而言，使用NeuralGCM进行气候模拟的计算成本比X-SHiELD低10万倍。
谷歌团队已在GitHub上公开了NeuralGCM的源代码和模型权重，供非商业用途。他们希望其他研究人员可以轻松添加新组件来测试假设并改进模型功能。由于NeuralGCM可以在笔记本电脑上运行，而不需要超级计算机的支持，因此更多的气候研究人员能够在他们的工作中使用这一最先进的模型。
尽管NeuralGCM目前仅对地球大气进行建模，但谷歌团队希望最终将地球气候系统的其他方面，如海洋和碳循环，纳入模型。通过这种方式，NeuralGCM将能够在更长的时间尺度上进行预测，不仅可以预测几天和几周的天气，还能在气候时间尺度上进行预测。NeuralGCM提出了一种构建气候模型的新方法，这种方法可能比现有模型更快、计算成本更低且更准确。
原文和模型
【原文链接】 阅读原文 [ 2839字 | 12分钟 ]
【原文作者】 新智元
【摘要模型】 moonshot-v1-32k
【摘要评分】 ★★★★★
