近日，Google Research和DeepMind联合MIT、哈佛及ECMWF的科学家发布了一项名为NeuralGCM的革命性大气模型研究成果。该模型被Nature期刊刊登，其高效准确的性能为气候变化预测提供了强有力的新工具。
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。这使得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。NeuralGCM在笔记本电脑上也能运行，而不需要超级计算机的支持，这为更多的气候研究人员提供了使用这一最先进模型的机会。
什么是NeuralGCM？
NeuralGCM是一种结合了基于物理的建模和机器学习技术的大气模型。与传统的基于物理的大气环流模型（GCM）相比，NeuralGCM在模拟效率上提高了10万倍，并且在准确性上也有显著提升。传统GCM在进行长期气候模拟时，稳定性不足，且依赖于简化的近似值（参数化）来模拟小尺度天气变化，这些简化的近似值常导致误差。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。
NeuralGCM打造最先进的大气模型
NeuralGCM通过神经网络从历史天气数据中学习小尺度天气事件的物理原理，而非依赖简化模型来生成近似值。此外，NeuralGCM使用JAX重新编写了大规模过程的数值求解器，使研究人员能够在线调整耦合系统在多个时间步长上的行为。这种方法解决了之前机器学习增强气候模型在数值稳定性方面的困难，并且能在TPU和GPU上高效运行，而传统模型主要依赖CPU。
谷歌团队使用1979年至2019年间的ECMWF天气数据，在不同分辨率下训练了一系列NeuralGCM模型。结果表明，在2-15天的天气预报中，NeuralGCM的准确性优于当前最先进的物理模型，且在再现过去40年的气温方面表现更优。NeuralGCM的1.4°分辨率模型在5至15天的预测准确性上超越了ECMWF的ENS模型，且在气候时间尺度上的预测表现也显著优于最先进的大气模型。
NeuralGCM的1.4°分辨率模型在计算速度上比X-SHiELD快3500多倍，使得模拟一年的大气只需8分钟，而X-SHiELD则需20天。总体而言，NeuralGCM的计算成本比X-SHiELD低10万倍，相当于高性能计算领域25年的进步速度。
NeuralGCM的发布标志着气候建模领域的重要进步。其高效、准确的特点有望帮助科学家更好地预测气候变化，回答全球变暖带来的关键问题，例如哪些地区将面临长期干旱、哪些地方将因热带风暴导致沿海洪水更频繁、以及随着气温上升，野火季节将如何变化。NeuralGCM为全球气候研究和政策制定提供了强有力的技术支持。
原创文章，作者：苹果派，如若转载，请注明出处：https://www.kejixun.co/article/669095.html
