编译 孟强
编辑 云鹏
智东西 7 月 24 日消息，谷歌于 7 月 23 日在 Nature 发表论文，介绍了其与欧洲中期天气预报中心（ECMWF）合作开发的 NeuralGCM 大气模型，该模型将传统的基于物理建模的模型与机器学习相结合，以提高模型预测天气和气候的准确性以及效率。
论文显示，NeuralGCM 在 1 到 15 天的预报准确率与 ECMWF 不相上下，而 ECMWF 拥有全世界最先进的传统物理天气预报模型；加入海平面温度后，NeuralGCM 的 40 年气候预测结果与从 ECMWF 数据中得到的全球变暖趋势一致；NeuralGCM 在预测气旋及其轨迹方面也超过了现有的气候模型。
值得一提的是，NeuralGCM 在速度上也是“遥遥领先”，可以在 30 秒计算时间内生成 22.8 天大气模拟，并且计算成本比传统 GCM 低 100000 倍。作为第一个基于机器学习的气候模型，NeuralGCM 无论从预测的准确性还是效率，都将天气预测和气候模拟提高到一个新的高度。
论文地址：https://www.nature.com/articles/s41586-024-07744-y
一、机器学习推动气候模型转型
地球正以前所未有的速度变暖，近年来极端天气频发，世界气象组织表示，2023 是有史以来最热的一年，而 2024 年可能更热。在极端天气频发的背景下，气候预测的重要性尤为突出。
大气环流模型(GCM)是天气和气候预测的基础，是一种用于基于物理学来模拟和预测地球大气和气候系统的传统模型。通过模拟地球大气、海洋、陆地和冰盖等物理过程，GCM 能提供长时间尺度的天气和气候预测。尽管传统气候模型几十年来一直在不断改进，但由于科学家对地球气候运作方式和模型建立方式的了解不够完全，这些模型往往会产生错误和偏差。
谷歌高级工程师 Stephan Hoyer 表示，传统的 GCM 将地球分成从地表一直延伸到大气层的立方体，边长通常为 50-100 公里，基于此预测一段时间内每个立方体中的天气变化。他们根据物理定律计算空气和水分的动态变化而得出预测。但云的形成和降雨等许多重要的气候过程，其变化规模都在毫米到公里不等，比目前 GCM 使用的立方体尺寸小得多，因此无法根据物理学进行准确计算。
此外，科学家还对某些过程缺乏完整的物理理解，例如云是如何形成的。因此，这些传统模型并不完全依赖物理原理，而是使用简化的模型来生成近似值，将天气动态参数化，但这一方法降低了 GCM 的准确性。
与传统模型一样，NeuralGCM 将地球大气层划分为立方体，并对空气运动和水分运动等大规模变化过程的物理特性进行计算。但对于云的形成等小规模天气动态，NeuralGCM 并不使用传统的参数化，而是使用神经网络，从现有天气数据中来学习这些天气动态的物理特性。
Hoyer 透露，NeuralGCM 的一项关键创新是谷歌在 JAX 中从头写了大规模变化过程的数值求解器，这使该模型能够使用基于梯度的优化来进行“在线”调整。在 JAX 中编写整个模型的另一个好处是，模型可以在 TPU 和 GPU 上高效运行，而传统的气候模型大多在 CPU 上运行。
二、预测准确性优于当前最先进模型
论文显示，NeuralGCM 的确定性模型（输出单一、确定的预测结果）在 0.7°分辨率下的性能可与当前最先进的模型相媲美，天气预报准确度可达 5 天。
确定性模型由于只提供一个预测结果，可能无法充分代表气候系统未来状态的多样性，因此，气候预测中引入了集合预报，即根据略微不同的一组初始条件产生一系列可能发生的天气情景，综合后，集合预报会产生概率天气预报，通常比确定性预报更为准确。论文称，NeuralGCM 的 1.4°分辨率集合预报模型在 5 到 15 天的预报准确率方面优于当前最先进的模型。
除此之外，NeuralGCM 对于时间跨度较长的气候预测准确度也高于目前最先进的模型。在预测 1980 年至 2020 年的 40 年间的气温时，NeuralGCM 的 2.8°确定性模型的平均误差只有 0.25 摄氏度，是大气模式对比计划（AMIP）误差的三分之一。
三、8 分钟完成一年的大气动态模拟
Hoyer 表示，NeuralGCM 的计算速度比传统 GCM 快几个数量级，计算成本也更低。NeuralGCM 的 1.4°模型比高精度气候模型X-SHiELD 快 3500 倍以上。换句话说，研究人员使用X-SHiELD 模拟一年的大气动态需要 20 天，而使用 NeuralGCM 只需 8 分钟。
此外，研究人员需要请求访问具有 13000 个 CPU 的超级计算机才能运行X-SHiELD，然而运行 NeuralGCM，仅需一台带有单个 TPU 的计算机。Hoyer 称使用 NeuralGCM 进行气候模拟的计算成本是使用X-SHiELD 的十万分之一。
结语：迈向更开放、快速、高效的气候预测模式
GoogleResearch 团队已将 NeuralGCM 的源代码和模型权重在 GitHub 上公开，供非商业使用，Hoyer 表示，谷歌希望全球的研究人员能够积极参与该模型的测试和改良。NeuralGCM 可以在笔记本电脑上运行，因此也希望更多气候研究人员在工作中使用该模型。
目前，NeuralGCM 仅模拟地球大气层，谷歌希望在将来能将海洋和碳循环等其他气候系统纳入该模型。虽然目前 NeuralGCM 还不是一个完整的气候模型，但它的出现为气候预测提供了新思路，在未来，我们期望看到 AI 进一步改善气候预测的准确性和速度。
来源：谷歌，Nature
