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测大模型，已在 Science 杂志发表。

只需要不到 1 分钟，它就能直接预测出未来 10 天的天气。

准确度上，它在 90% 的指标上超越了最先进的人类系统，在 AI 气象模型中属首次！

DeepMind 的这个气象模型名叫 GraphCast，目前已经开源。

它的分辨率为 0.25 度经度 / 纬度（在赤道处约为 28×28 公里），而目前的最高分辨率为 1 度。

这样的分辨率相当于将地球表面分割成了超过 100 万个网格，而每个网格又可以产生数百条预测数据，总计数量达到了上亿规模。

不同于传统的预测方式，GraphCast 预测主要依靠数据中的规律进行预报，而不使用人类建立的物理方程。

相比于人类最准确的 HRES 预报，GraphCast 在 1380 个测试指标中，90% 的预测结果都更为准确。

如果把预测范围限制在对流层，GraphCast 击败 HRES 的指标比例更是高达 99.7%。

YC 上有网友表示，用“impressive”已经不足以形容这项成果了。

那么，GraphCast 的预测表现具体是怎样的呢？

90% 指标超越人类最好方法

在划分出的 100 万多个网格上，GraphCast 划分出的每个网格都能够产生 227 条预测数据。

其中包括了 37 个不同高度上，每个高度的 6 个大气变量（包括比湿度、风速和风向以及温度等）。

在地球表面，GraphCast 还可以预测包括温度、风速和风向以及平均海平面压力等在内的 5 个变量。

完整的变量种类和具体高度（以气压表示，单位：hPa）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）的 ERA5 再分析数据中选取了 2018 年（GraphCast 训练数据截止 2017 年）的历史数据。

研究者分别让 HRES 和 GraphCast 站在当时的情况下进行“预测”，然后比较它们的“预测”和 ERA5 进行比较。

在 500hPa 高度场上，GraphCast 的 RMSE（均方根误差，数值越低表现越好）和 ACC（异常相关系数）指标都显著优于 HRES。

而在研究人员选取的 50-1000hPa 的 1380 个数据点中，GraphCast 有 90.3% 优于 HRES，89.9% 优势显著（下图 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 在极端天气的预测上也有明显优势。

对于热带气旋路径，GraphCast 中位误差低于 HRES，特别是在前 4.75 天开始，优势开始变得明显（下图 a、b）。

在根据大气河流（Atmospheic River）进行水汽通量预测时，GraphCast 的 RMSE 值也明显低于 HRES（下图 c）。

预测热浪时，GraphCast 在提前 12 小时、5 天、10 天时，准确度也都比 HRES 高（下图 d）。

今年 9 月，GraphCast 成功在登陆前 9 天预测了北大西洋的飓风 Lee，而使用传统方法最多提前 6 天预报。

GraphCast 不仅准确度高，预测速度也非常快。

在一台 Google TPU v4 机器上使用 GraphCast 进行 10 天预测，只需不到一分钟就能完成。

相比之下，使用 HRES 等传统方法，即使在超级计算机上也要花费数个小时。

那么，GraphCast 是如何实现高效准确的气象预测的呢？

不使用物理方程，预测全靠数据分析

工作流程上，输入从 6 小时前开始到当前的气象数据，GraphCast 就可以预测未来 6 小时的天气。

而预测出的数据可以作为新的“当前”态，继续往后迭代预测，最长可以预测到 10 天后的天气状况。

原理层面，GraphCast 使用机器学习方式和图神经网络（GNN）架构，其中包括编码器和解码器各一层，以及中间层 16 层，参数量为 3670 万。

它仅通过学习已有气象数据实现预测，不依赖人类建立的物理方程。

GraphCast 将 0.25 度网格的气象数据进行编码映射到神经网络，经过传递计算后的结果再由解码器还原为气象数据。

训练时，GraphCast 使用的是来自 ERA5 数据集中的 1979-2017 这近四十年天气的再分析数据，包括了卫星图像、雷达和气象站测结果。

ERA5 是基于 4DVar 方法和同化观测生成的全球最优重构资料，涵盖时间从上世纪 40 年代至今，空间则覆盖全球。

而如果使用更近期的数据，GraphCast 的预测结果准确度还能继续提高。

下一步，DeepMind 计划构建集合预报模型，以适应实际情况中天气的不确定性，进一步增强预报准确性。

论文地址：

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

参考链接：

• [1]https://deepmind.google/discover/blog/graphcast-ai-model-for-faster-and-more-accurate-global-weather-forecasting/

• [2]https://www.ft.com/content/ca5d655f-d684-4dec-8daa-1c58b0674be1

本文来自微信公众号：量子位 （ID：QbitAI），作者：克雷西

广告声明：文内含有的对外跳转链接（包括不限于超链接、二维码、口令等形式），用于传递更多信息，节省甄选时间，结果仅供参考，IT之家所有文章均包含本声明。