Google AI представив новий підхід до моделювання атмосфери Землі

Моделі загальної циркуляції (GCM) мають важливе значення для прогнозування погоди та клімату, використовуючи чисельні алгоритми для великомасштабної динаміки та визначення параметрів для процесів меншого масштабу, таких як формування хмар. Попри досягнення, GCM стикаються з проблемами, пов’язаними з помилками, упередженнями та невизначеностями в довгострокових кліматичних прогнозах й екстремальних погодних явищах. Моделі машинного навчання показали перспективність у короткострокових прогнозах погоди, але мають проблеми з довгостроковою стабільністю та каліброваними оцінками невизначеності.

NeuralGCM від GoogleAI має на меті вирішити ці завдання. Традиційні GCM, які залежать від фізичного моделювання, вимагають значних обчислень, їм бракує довгострокової стабільності та точності прогнозу. І навпаки, моделі машинного навчання, навчені на основі статистичних даних, такі як ERA5 від ECMWF, пропонують разючі короткострокові прогнози з меншими обчислювальними витратами, але зазнають невдачі в довгостроковому прогнозуванні.

Гібридна модель NeuralGCM поєднує в собі диференційований обчислювач атмосферної динаміки з компонентами машинного навчання для моделювання параметрів фізичних процесів. Цей підхід використовує сильні сторони як моделей загальної циркуляції, так і моделей машинного навчання, забезпечуючи стабільні та точні прогнози в різних часових масштабах зі значною обчислювальною ефективністю.

NeuralGCM інтегрує диференційоване динамічне ядро з модулем фізики, використовуючи нейронну мережу для прогнозування невирішених атмосферних процесів. Модель навчається за допомогою наскрізного поширення через кілька кроків моделювання, поступово збільшуючи тривалість розгортання з 6 годин до 5 днів. Таке навчання гарантує, що модель враховує взаємодію між вивченою фізикою та макродинамікою, підвищуючи стабільність і точність.

Експерименти показують, що продуктивність NeuralGCM порівнянна з найкращими моделями, наприклад, ECMWF-HRES та ансамблевими системами прогнозування, а також моделями машинного навчання, такими як GraphCast та Pangu. Для прогнозів погоди на 1-15 днів NeuralGCM досягає порівнянної точності, причому при застосуванні версії зі стохастичною структурою похибка є меншою, а середнє значення прогнозу покращується. У кліматичних симуляціях NeuralGCM точно відстежує кліматичні показники за кілька десятиліть і моделює випадкові явища, такі як тропічні циклони, з помітною економією обчислювальних ресурсів.

У підсумку, NeuralGCM ефективно долає обмеження традиційних GCM і моделей машинного навчання, пропонуючи стабільний і точний гібридний підхід для прогнозування погоди та клімату. Поєднуючи диференційовані обчислювачі з параметрами машинного навчання, NeuralGCM покращує великомасштабне фізичне моделювання, необхідне для розуміння і прогнозування системи Землі, досягаючи при цьому значної обчислювальної ефективності.