编辑 | 萝卜皮
寰球中期气候预告对于许多社会和经济领域的决策至关重要。保守的数值气候预告运用增加的计算资源来提高预告精度，但无法直接运用历史气候数据来改进基础模型。
Google DeepMind 团队介绍了「GraphCast」，一种直接从再分析数据训练的鉴于机器进修的方法。它可以在一分钟内以 0.25° 的分辨率展望寰球 10 天内的数百个气候变量。
研究人员用 1380 个验证目标进行了测试，GraphCast 在 90% 的验证目标中显著优于当前最正确的操作确定性零碎，其展望支持更好的严重事件展望，包括热带气旋跟踪、大气河流和极度温度。
该研究以「Learning skillful medium-range global weather forecasting」为题，于 2023 年 11 月 14 日发布在《Science》。
世界标准时间 2022 年 10 月中旬 05:45，意大利博洛尼亚，欧洲中期气候预告中心 (ECMWF) 的新高性能计算设施最近投入运行。在过去的几个小时里，综合预告零碎（IFS）一直在运行复杂的计算，从而展望未来几天和几周的地球气候，并且其第一个展望刚刚开始向用户传播。这个过程每天每六个小时重复一次，为世界供应最正确的气候预告。
IFS 以及更广泛的现代气候预告都是科学和工程的胜利。气候零碎的动态是地球上最复杂的物理现象之一，每天，个人、行业和政策制定者做出的无数决定都取决于正确的气候预告，从决定是否穿夹克到逃离危险的风暴。当今气候预告的主要方法是「数值气候预告」（NWP），其中涉及运用超级计算机求解气候控制方程。
数值气候预告的成功在于严格且持续的研究实践，这些实践供应了对气候现象越来越详细的描述，以及数值气候预告如何利用更多的计算资源来提高正确性。结果，气候预告的正确性逐年提高，甚至可以提前很多天展望飓风的路径——这在几十年前还是不可想象的。
虽然保守的数值气候预告可以很好地通过计算进行扩展，但利用大量历史气候数据来提高正确性并不简单。相反，数值气候预告方法是由训练有素的专家创新更好的模型、算法和近似值来改进的，这可能是一个耗时且昂贵的过程。
MLWP 是 NWP 的重要替代方案
鉴于机器进修的气候预告 (MLWP) 供应了保守 NWP 的替代方案，可以根据历史数据（包括观测和分析数据）训练展望模型。通过捕获数据中不易用显式方程表示的模式，有可能提高展望正确性。MLWP 还通过利用现代深度进修硬件而不是超级计算机来供应提高效率的机会，并实现更有利的速度与精度权衡。
在最近的研究中，MLWP 帮助改进了保守 NWP 相对较弱的区域中鉴于 NWP 的预告，例如次季节热浪展望和来自雷达图像的降水临近预告，而这些区域无法供应正确的方程和稳健的数值方法。
在中期气候预告中，即展望未来 10 天的大气变量，IFS 等鉴于 NWP 的零碎仍然是最正确的。世界上顶级的确定性操作零碎是 ECMWF 的高分辨率预告 (HRES)，它是 IFS 的配置，可在大约一小时内以 0.1° 纬度/经度分辨率生成寰球 10 天预告。
然而，在过去几年中，在 WeatherBench 等基准的推动下，鉴于再分析数据训练的 MLWP 中期预告方法一直在稳步发展。鉴于卷积神经网络和 Transformer 的深度进修架构在粗略于 1.0° 的纬度/经度分辨率下显示出了巨大潜力，最近的研究成果（运用图神经网络 (GNN)、傅里叶神经运算符和 Transformer）报告的性能在少数变量的 1.0° 和 0.25° 上开始与 IFS 相媲美，并且交付时间长达 7 天。
寰球中期气候预告的 MLWP 方法
在这里，Google DeepMind 团队介绍了一种用于寰球中期气候预告的 MLWP 方法，称为「GraphCast」，它可以在单个 Google Cloud TPU v4 设备上在一分钟内生成正确的 10 天预告，并支持包括展望热带气旋路径、大气河流和极度温度等应用。
GraphCast 将地球气候的两个最新形态（当前时间和六小时前）作为输入，并展望未来六小时的下一个气候形态。单一气候形态由 0.25° 纬度/经度网格 (721 × 1440) 表示，对应于赤道处大约 28 × 28 km 的分辨率，其中每个网格点代表一组地表和大气变量 。与保守的 NWP 零碎一样，GraphCast 是自回归的：它可以通过将自己的展望作为输入反馈来「推出」，从而生成任意长的气候形态轨迹。
图：模型示意。（来源：论文）
GraphCast 采用神经网络架构实现，鉴于「编码-处理-解码」配置的 GNN，总共有 3670 万个参数；按照现代 ML 标准，它是一个相对较小的模型，选择它是为了保持内存占用易于处理。之前鉴于 GNN 的进修模拟器在进修由偏微分方程建模的流体和其他零碎的复杂动力学方面非常有效，这支持了它们对气候动力学建模的适用性。
编码器运用单个 GNN 层将输入网格上表示为节点属性的变量（标准化为零均值单位方差）映射到内部「多网格」表示上的进修节点属性。
多重网格是一个空间均匀的图，在寰球范围内具有高空间分辨率。它是通过迭代六次细化正二十面体（12 个节点、20 个面、30 个边）来定义的，其中每次细化将每个三角形划分为四个较小的三角形（导致面和边增加四倍），并将节点重新投影到球体上 。多重网格包含来自最高分辨率网格的 40,962 个节点（大约是 0.25° 处纬度/经度网格点数量的 1/25），以及中间图中创建的所有边的并集，形成具有不同长度的边的平坦层次结构。
处理器运用 16 个非共享 GNN 层在多重网格上执行进修消息传递，从而以很少的消息传递步骤实现高效的本地和远程信息传播。解码器将从多网格表示中进修到的最终处理器层特征映射回经纬度网格。它运用单个 GNN 层，并将输出展望为最新输入形态的残差更新（通过输出归一化来实现目标残差的单位方差）。
在模型开发过程中，Deepmind 运用了 ECMWF ERA5 再分析档案中的 39 年（1979-2017）历史数据。作为训练目标，研究人员对 GraphCast 在 N 个自回归步骤上的展望形态与相应的 ERA5 形态之间的均方误差 (MSE) 进行平均，并按垂直水平对误差进行加权。
在训练过程中，N 的值从 1 逐渐增加到 12（即 6 小时到 3 天），并且损失的梯度通过时间反向传播来计算。运用梯度下降对 GraphCast 进行训练，以最小化训练目标，这在运用批量并行性的 32 个 Cloud TPU v4 设备上花费了大约四个星期的时间。
更好地预警极度气候事件
与真实的部署场景一致，未来的信息无法用于模型开发，Deepmind 团队根据 2018 年以后供应的数据评估了 GraphCast。分析表明，GraphCast 还可以比保守展望模型更早地识别恶劣气候事件。
通过将简单的气旋跟踪器直接应用于 GraphCast 展望，他们可以比 HRES 模型更正确地展望气旋运动。2023 年 9 月份，ECMWF 网站上部署的公开 GraphCast 模型的实时版本，提前约 9 天正确展望了飓风 lee 将在 Nova Scotia 登陆。相比之下，保守预告对于登陆地点和时间的可变性更大，并且只能提前大约六天锁定 Nova Scotia。
GraphCast 还可以表征大气河流——将大部分水蒸气转移到热带地区之外的狭窄大气区域。大气河流的强度可以表明它是否会带来有益的降雨或引发洪水的洪水。GraphCast 预告可以帮助描述大气河流的特征，这可以帮助规划应急响应以及人工智能模型来展望洪水。
最后，在寰球变暖的大背景下，展望极度温度变得越来越重要。GraphCast 可以表征地球上任何给定位置的热量何时升至历史最高温度以上。这对于展望越来越常见的热浪、破坏性和危险事件特别有用。
图：严重事件展望 – GraphCast 和 HRES 的比较。（来源：Deepmind博客）
气候人工智能的未来
GraphCast 现在是世界上最正确的 10 天寰球气候预告零碎，可以比以前更展望未来的极度气候事件。随着气候模式在气候变化中的演变，GraphCast 将随着更高质量的数据的出现而发展和改进。
为了让人工智能气候预告变得更容易，Deepmind 开源了模型的代码。ECMWF 已经在试验 GraphCast 的 10 天预告，它将为研究人员带来新的可能性 – 从针对特定气候现象定制模型到针对世界不同地区进行优化。
GraphCast 与 Google DeepMind 和 Google Research 的其他最先进的气候预告零碎一起，其中包括可提前 90 分钟供应预告的区域临近预告模型，以及已在美国和欧洲运行的区域气候预告模型 MetNet-3，它可供应比任何其他零碎更正确的 24 小时预告。
率先在气候预告中运用人工智能将使数十亿人的日常生活受益。除了气候预告之外，GraphCast 还可以为其他重要的地理时空展望问题开辟新的方向，包括气候和生态、能源、农业、人类和生物活动以及其他复杂的动力零碎。研究人员相信，经过丰富的真实数据训练的进修模拟器对于推进机器进修在物理科学中的作用至关重要。
代码：https://github.com/deepmind/graphcast
相关报道：
https://deepmind.google/discover/blog/
https://www.nature.com/articles/d41586-023-03552-yDeepMind
New research from @GoogleDeepMind in Science: our latest AI model GraphCast can predict weather conditions up to 10 days in advance more accurately + much faster than current systems, with potential for earlier warnings of extreme weather events.https://t.co/JW8GX3JvgX
— Sundar Pichai (@sundarpichai) November 14, 2023
论文链接：https://www.science.org/doi/10.1126/science.adi2336