作家｜马雪薇
来自天下风光组织（WMO）的数据显现，在夙昔 50 年里，平均每一天齐会发生一场与天气、骄矜或水灾筹备的灾害，而每一场灾害平均会酿成约 115 东说念主死字、约 2.02 亿好意思元的经济亏损。
更令东说念主唏嘘的是，连年来，由东说念主类行为加快的骄矜变化，更是使得热浪、寒潮、强降水、干旱等顶点天气和骄矜灾害非常频发。
因此，实时、准确的天气权衡和骄矜模拟不仅不错每年匡助补救数万东说念主的人命，还梗概缩小顶点天气和骄矜事件对东说念主类社会和生态系统的灾难性影响。
如今APP开发业务，由 Google Research 磋商团队过火合营者开荒的东说念主工智能（AI）模子 NeuralGCM，将天气权衡和骄矜模拟培育到了一个新的高度——
NeuralGCM 对 1-15 天预告的准确率，比好意思欧洲中期天气预告中心（ECMWF），后者领有天下上首先进的传统物理天气预告模子；
对提前 10 天预告的准确率，NeuralGCM 与现存其他 AI 模子性能相称，致使更好；
加入海平面温度后，NeuralGCM 的 40 年骄矜权衡截止，与从 ECMWF 数据中发现的大众变暖趋势一致；
NeuralGCM 在权衡气旋过火轨迹方面也进步了现存的骄矜模子。
值得一提的是，NeuralGCM 不仅在准确度方面达到致使进步了现存传统数值天气预告模子和其他机器学习（ML）模子；在速率上亦然“遥遥滥觞”，不错在 30 秒缠绵时辰内生成 22.8 天大气模拟；且不错比传统模子从简数目级的缠绵量。
筹备磋商论文以“Neural general circulation models for weather and climate”为题，已发表在巨擘科学期刊 Nature 上。
软件开发这些截止共同标明，NeuralGCM 不错生成细目性天气、天气和骄矜的贴近预告，在始终天气和骄矜模拟方面显现出了饱和的强壮性。
磋商团队合计，这种端到端深度学习与传统大气环流模子（GCM，表征大气、海洋和陆地的物理经过，是天气和骄矜权衡的基础）所实验的任务是兼容的，且梗概增强对相识和权衡地球系统至关迫切的大规模物理模拟。
此外，NeuralGCM 的搀杂建模智商还不错应用于其他科学规模，比如材料发现、卵白质折叠和多物理工程联想等。
信得过效用奈何样？
减少始终预告的不细目性以及估算顶点天气事件，是相识骄矜缓解和妥当的关节。
ML 模子一直被合计是天气权衡的一种替代时间，具有从简算力老本的上风，致使在细目性天气预告方面照旧达到或进步了大气环流模子的水平，但在始终预告的推崇频频不如大气环流模子。
在这项责任中，磋商团队连合机器学习和物明智商联想了 NeuralGCM，运用 ML 组件替换或窜改 GCM 中的传统物理参数化决策，由以下几个关节部分构成：
可微分的能源中枢：该中枢注重求解破碎化的能源方程，模拟大模范流体畅通和热力学经过，受重力、科氏力和其他要素影响。能源中枢使用水平伪谱破碎化和垂直 sigma 坐标，并使用 JAX 库完满，守旧自动微分。它模拟七个预告变量：水平风涡度、水平风散度、温度、地表压力和三种水物资（比湿、冰云水含量和液态云水含量）。
学习物理模块：该模块使用 GCM 中的单柱智商，仅使用单个大气柱的信息来权衡该柱内未涌现经过的影响。它使器具有残差绽放的全绽放神经收集，并在统共大气柱之间分享权重。神经收集的输入包括大气柱中的预告变量、总入射太阳放射、海冰浓度和海表温度，以及预告变量的水平梯度。神经收集的输出是预告变量趋势，按方针字段无要求程序差进行缩放。
编码器妥协码器：由于 ERA5 数据存储在压力坐标中，而能源中枢使用 sigma 坐标系统，因此需要编码器妥协码器进行调度。这些组件实验压力水和善 sigma 坐标水平之间的线性插值，并使用与学习的物理模块交流的神经收集架构进行窜改。编码器不错破除驱动化冲击引起的重力波，从而幸免玷辱权衡截止。
图｜NeuralGCM 模子架构。NeuralGCM 连合了传统的流体能源学求解器和用于小模范物理的神经收集。这些组件由微分方程求解器组合而成，在时辰上按次上前鼓动系统。（起原：Google Research）
截止显现，NeuralGCM 在天气权衡方面展现出庞大的材干，在超短期、短期和中期时辰模范上与首先进的模子相比好意思。如下：
超短期权衡（0-1 天）
泛化材干：与 GraphCast 比拟，NeuralGCM 在未经熟习的天气要求下推崇更好，因为它使用局部神经收集来权衡大气垂直柱中的物理经过。
短期权衡（1-10 天）
准确性：在 1-3 天的短期权衡中，NeuralGCM-0.7° 和 GraphCast 的推崇最好，准确跟踪天气形态的变化。
物理一致性：与其他机器学习模子比拟，NeuralGCM 的权衡愈加明晰，幸免了物理上不一致的混沌权衡。
可解说性：通过会诊降水减去挥发，NeuralGCM 的截止更具可解说性，通俗进行水资源分析。
地转风均衡：与 GraphCast 比拟，NeuralGCM 更准确地模拟了地转风和地转风的垂直结构过火比率。
中期权衡（7-15 天）
贴近预告：NeuralGCM-ENS 在 1.4° 永诀率下的贴近平均 RMSE、RMSB 和 CRPS 过失均低于 ECMWF-ENS，标明其梗概更好地捕捉可能的天气平均状况。
可校准性：NeuralGCM-ENS 的贴近预告与 ECMWF-ENS 一样，APP开发资讯具有大致 1 的发散率-时间比，这是校准预告的必要要求。
此外，除了在天气权衡方面推崇出色，NeuralGCM 在骄矜模拟方面也展现出了庞大的材干，瓦解时季节轮回模拟、热带气旋模拟和历史温度趋势模拟等方面。如下：
周三050 欧洲杯 荷兰VS英格兰 2024-07-11 03:00
季节轮回模拟
准确性：NeuralGCM 梗概准确地模拟季节轮回，包括大众可降水和大众总动能的年度轮回，以及哈德利环流和经向平均风等关节大气能源学。
与大众云永诀模子的比较：与大众云永诀模子 X-SHiELD 比拟，NeuralGCM 在可降水方面的偏差更小，何况在热带地区具有更低的温度偏差。
热带气旋模拟
轨迹和数目：即使在 1.4° 的约略永诀率下，NeuralGCM 也能产生与 ERA5 相似的热带气旋轨迹和数目，而大众云永诀模子 X-SHiELD 在 1.4° 永诀率下却低估了热带气旋数目。
历史温度趋势模拟
AMIP 模拟：NeuralGCM-2.8° 进行了 40 年的 AMIP 模拟，截止标明，统共模拟均准确地捕捉了 ERA5 数据中不雅察到的大众变暖趋势，何况年际温度趋势与 ERA5 数据具有强筹备性，标明 NeuralGCM 梗概有用地模拟海温免强对骄矜的影响。
与 CMIP6 模子的比较：与 CMIP6 AMIP 模子比拟，NeuralGCM-2.8° 在 1981-2014 年时间的温度偏差更小，即使在破除了 CMIP6 AMIP 模子的大众温度偏差之后，这一截止仍然设立。
图｜NeuralGCM 在十年时辰模范上的准确性和捕捉大众变暖的材干。NeuralGCM 和 AMIP 在权衡 1980 年至 2020 年大众平均气温方面的推崇比较。（起原：Google Research）
尽管 NeuralGCM 在天气和骄矜权衡方面展现了庞大的材干，但它仍然存在一些局限性。
滥觞，NeuralGCM 权衡翌日骄矜的材干有限。NeuralGCM 现时无法权衡与历史骄矜明显不同的翌日骄矜。当海表温度（SST）加多幅度较大时（比如 +4K），NeuralGCM 的反映与预期不符，并出现骄矜漂移征象。
其次，NeuralGCM 模拟未不雅测骄矜的材干不及。与其他机器学习骄矜模子访佛，NeuralGCM 也濒临着模拟未不雅测骄矜的挑战，比如翌日骄矜或与历史数据相反较大的骄矜。这需要模子具备更强的泛化材干，以及更先进的熟习计谋，比如反抗熟习或元学习。
然后，NeuralGCM 还存在物理敛迹和数值强壮性问题。举例，NeuralGCM 的谱散播仍然比 ECMWF 物理预告混沌，且在模拟热带顶点事件方面存在低估征象。这需要进一步磋商和更动模子的物理经过参数化和数值智商，以提高模子的物理一致性和数值强壮性。
临了，长途与其他地球系统组件的耦合。现时 NeuralGCM 仅模拟大气系统，而骄矜系统是一个复杂的相互作用系统，包括海洋、陆地、冰雪和生物圈等。要进行更全面的骄矜模拟，NeuralGCM 需要与这些组件进行耦合，并研究它们之间的相互作用。这需要开荒新的模子架构和熟习计谋，以完满多物理场耦合模拟。
传统天气权衡、骄矜模拟，正被 AI 颠覆
在天气权衡和骄矜模拟方面，NeuralGCM 并非“先驱”。
在夙昔几年中，包括华为、谷歌和清华大学等在内的科技公司和高校在这一方针均获得了要紧进展。
2023 年 7 月，由华为云开荒的盘古风光（Pangu-Weather）模子登上了 Nature，其使用 39 年的大众再分析天气数据当作熟习数据，权衡准确率与大众最好的数值天气预告系统 IFS 相称，且在交流的空间永诀率下比 IFS 系统快 10000 倍以上。
同期发表在 Nature 上的另一篇论文则先容了 NowcastNet，其出自机器学习规模泰斗、加州大学伯克利分校西宾 Michael Jordan 和清华大学西宾王建民教育的磋商团队，该模子不错连合物理规则和深度学习，进行实时预告降水。
2023 年 11 月，Google DeepMind 推出了一款基于机器学习的天气权衡模子——GraphCast，在大众 0.25° 的永诀率下，该模子不错在一分钟内权衡翌日 10 天的数百个天气变量，权臣优于传统风光预告智商，同期在权衡顶点事件方面推崇致密。筹备磋商论文已发表在巨擘科学期刊 Science 上。
本年 3 月，雷同来自 Google Research 团队开荒的 AI 模子，打败了首先进大众巨流预警系统，其运用现存的 5680 个测量仪进行熟习，可权衡未测量流域在 7 天权衡期内的日径流。
如今，传统的天气权衡和骄矜模拟正在被 AI 颠覆。在翌日，AI 将进一步加快风光权衡的速率和精度，造福全东说念主类。