DeepMind 大模型登 Science:1 分钟预测 10 天天气数据,90% 指标超越人类最强模型


谷歌DeepMind实验室推出的天气预报模型已经发表在《科学》杂志上。

用时不到1分钟,可以直接预测未来10天的天气。

精度方面,在90%的指标上超越了人类最先进的系统,这在AI气象模型中还是第一次!

DeepMind的气象模型名为GraphCast,现已开源。

其分辨率为0.25度经纬度(赤道约28×28公里),而目前最高分辨率为1度。

这个分辨率相当于把地球表面分成100多万个网格,每个网格可以生成几百个预报数据,总数上亿。

与传统的预测方法不同,GraphCast预测主要依靠数据中的规律,而不是利用人类建立的物理方程。

与人类最准确的HRES预测相比,GraphCast中1380个测试指标的90%更准确。

如果把预报范围限定在对流层,GraphCast击败HRES的指数率高达99.7%。

YC的一些网民表示,用“令人印象深刻”不足以形容这一成就。

那么,GraphCast的预测性能如何呢?

90%指数是超越人类最好的方法。

在超过一百万个划分的网格上,GraphCast划分的每个网格可以生成227个预测数据。

它包括六个大气变量(包括比湿度、风速和风向、温度等。)在37个不同的高度。

在地球表面,GraphCast还可以预测五个变量,包括温度、风速和风向以及平均海平面气压。

完整的变量类型和具体高度(以大气压和百帕表示)如下表所示:

为了比较GraphCast和HRES的表现,研究人员从欧洲中期天气预报中心(ECMWF)era 5的再分析数据中选取了2018年的历史数据(GraphCast的训练数据截止于2017年)。

研究人员要求HRES和GraphCast在当前情况下“预测”,然后将他们的“预测”与ERA5进行比较。

在500hPa高度,GraphCast的RMSE(均方根误差,值越低,性能越好)和ACC(异常相关系数)明显优于HRES。

在研究人员选取的50-1000hPa的1380个数据点中,90.3%的GraphCast优于HRES,89.9%具有显著优势(在下面的D组中,蓝色表示GraphCast优于HRES,越深优势越明显)。

除了这些数据,GraphCast在预测极端天气方面也有明显的优势。

对于热带气旋路径,GraphCast的中值误差低于HRES,尤其是前4.75天,优势开始明显(下图A和B)。

根据Atmospheic River预测水汽通量时,GraphCast的RMSE值也明显低于HRES(下图C)。

在预测热浪时,GraphCast在提前12小时、5天、10天的准确率也高于HRES(下图D)。

今年9月,GraphCast成功预测了登陆前9天北大西洋的李飓风,而使用传统方法最多提前6天预测。

GraphCast不仅准确率高,而且预测速度非常快。

在谷歌TPU v4机器上用GraphCast做一个10天的预测不到一分钟。

相比之下,使用传统方法,如HRES,即使在超级计算机上也需要几个小时。

那么,GraphCast是如何实现高效准确的天气预测的呢?

不使用物理方程,预测完全依靠数据分析。

在工作流中,GraphCast可以通过输入6小时前到现在的气象数据来预测未来6小时的天气。

预测的数据可以作为新的“当前”状态,最长可以预测10天内的天气情况。

原则上,GraphCast使用机器学习模式和图形神经网络(GNN)架构,包括一层编码器和解码器,16层中间层,3670万个参数。

它只是通过学习已有的气象数据来实现预报,不依赖于人类建立的物理方程。

GraphCast将0.25度网格的气象数据编码映射到神经网络,转移计算后的结果由解码器还原为气象数据。

在训练中,GraphCast使用了ERA5数据集中1979年至2017年天气的再分析数据,包括卫星图像、雷达和气象站测量。

ERA5是世界上基于4DVar方法和同化观测的最佳重建数据,覆盖了从上世纪40年代到现在的全球,以及空之间。

如果使用更新的数据,GraphCast预测结果的准确性可以继续提高。

下一步,DeepMind计划建立一个集合预测模型,以适应实际情况下天气的不确定性,并进一步增强预测的准确性。

纸张地址:

https://www.science.org/doi/10.1126/science.adi2336

参考链接:

本文来自微信微信官方账号:量子位(ID: qbitai),作者keresey。