成本降低10萬倍！生成一週大氣模擬僅需9.2秒，Google氣候模型登Nature

計算成本降低十萬倍：Google的機器學習氣候模型登Nature。

編譯 | 孟強

編輯 | 雲鵬

智東西7月23日消息，Google於7月23日在Nature發表論文，介紹了其與歐洲中期天氣預報中心（ECMWF）合作開發的NeuralGCM大氣模型，該模型將傳統的基於物理建模的模型與機器學習相結合，以提高模型預測天氣和氣候的準確性以及效率。

論文顯示，NeuralGCM在1到15天的預報準確率與ECMWF不相上下，而ECMWF擁有全世界最先進的傳統物理天氣預報模型；加入海平面溫度後，NeuralGCM的40年氣候預測結果與從ECMWF數據中得到的全球變暖趨勢一致；NeuralGCM在預測氣旋及其軌跡方面也超過了現有的氣候模型。

值得一提的是，NeuralGCM在速度上也是「遙遙領先」，可以在30秒計算時間內生成22.8天大氣模擬，並且計算成本比傳統GCM低100000倍。作為第一個基於機器學習的氣候模型，NeuralGCM無論從預測的準確性還是效率，都將天氣預測和氣候模擬提高到一個新的高度。

論文地址：

https://www.nature.com/articles/s41586-024-07744-y

01.

機器學習推動氣候模型轉型

地球正以前所未有的速度變暖，近年來極端天氣頻發，世界氣象組織表示，2023是有史以來最熱的一年，而2024年可能更熱。在極端天氣頻發的背景下，氣候預測的重要性尤為突出。

大氣環流模型(GCM)是天氣和氣候預測的基礎，是一種用於基於物理學來模擬和預測地球大氣和氣候系統的傳統模型。通過模擬地球大氣、海洋、陸地和冰蓋等物理過程，GCM能提供長時間尺度的天氣和氣候預測。儘管傳統氣候模型幾十年來一直在不斷改進，但由於科學家對地球氣候運作方式和模型建立方式的瞭解不夠完全，這些模型往往會產生錯誤和偏差。

Google高級工程師Stephan Hoyer表示，傳統的GCM將地球分成從地表一直延伸到大氣層的立方體，邊長通常為50-100公里，基於此預測一段時間內每個立方體中的天氣變化。他們根據物理定律計算空氣和水分的動態變化而得出預測。但云的形成和降雨等許多重要的氣候過程，其變化規模都在毫米到公里不等，比目前GCM使用的立方體尺寸小得多，因此無法根據物理學進行準確計算。

此外，科學家還對某些過程缺乏完整的物理理解，例如雲是如何形成的。因此，這些傳統模型並不完全依賴物理原理，而是使用簡化的模型來生成近似值，將天氣動態參數化，但這一方法降低了GCM的準確性。

與傳統模型一樣，NeuralGCM將地球大氣層劃分為立方體，並對空氣運動和水分運動等大規模變化過程的物理特性進行計算。但對於雲的形成等小規模天氣動態，NeuralGCM並不使用傳統的參數化，而是使用神經網絡，從現有天氣數據中來學習這些天氣動態的物理特性。

Hoyer透露，NeuralGCM的一項關鍵創新是Google在JAX中從頭寫了大規模變化過程的數值求解器，這使該模型能夠使用基於梯度的優化來進行「在線」調整。在JAX中編寫整個模型的另一個好處是，模型可以在TPU和GPU上高效運行，而傳統的氣候模型大多在CPU上運行。

02.

預測準確性優於當前最先進模型

論文顯示，NeuralGCM的確定性模型（輸出單一、確定的預測結果）在0.7°解像度下的性能可與當前最先進的模型相媲美，天氣預報準確度可達5天。

確定性模型由於只提供一個預測結果，可能無法充分代表氣候系統未來狀態的多樣性，因此，氣候預測中引入了集合預報，即根據略微不同的一組初始條件產生一系列可能發生的天氣情景，綜合後，集合預報會產生概率天氣預報，通常比確定性預報更為準確。論文稱，NeuralGCM的1.4°解像度集合預報模型在5到15天的預報準確率方面優於當前最先進的模型。