El 7 de abril, el Laboratorio de Inteligencia Artificial de Shanghái, junto con la Universidad de Ciencia y Tecnología de China, la Universidad Jiaotong de Shanghái, la Universidad de Ciencia y Tecnología de la Información de Nanjing, el Instituto de Física Atmosférica de la Academia de Ciencias de China y el Centro Meteorológico Central de Shanghái Observatorio lanzó el modelo de pronóstico del tiempo a mediano plazo global a gran escala "Fengwu" . Basado en métodos de aprendizaje profundo multimodales y multitarea, el modelo grande de IA "Fengwu" realizó por primera vez pronósticos efectivos de variables atmosféricas centrales a alta resolución durante más de 10 días, y superó el lanzamiento de DeepMind en 80% de los indicadores de evaluación Modelo GraphCast [1]. Además, "Fengwu" puede generar resultados de pronósticos globales de alta precisión para los próximos 10 días en solo 30 segundos, lo que es mucho más eficiente que los modelos tradicionales.
Ouyang Wanli, el principal científico del laboratorio, dijo: "'Fengwu' lleva el nombre de 'Xiangfeng Tongwu' en las dinastías Qin y Han. Es el equipo de medición de viento más antiguo del mundo. El gran modelo de pronóstico del tiempo 'Fengwu' no solo lleva la sabiduría de los antiguos chinos, también significa que el laboratorio está comprometido con hacer avances y exploraciones incesantes en el campo de la IA para la ciencia representada por la meteorología".
Usando el modelo a gran escala "Fengwu", el tiempo efectivo de pronóstico del tiempo global supera los 10 días por primera vez
1. Alta precisión, largo plazo, alta eficiencia: modelo a gran escala de IA que pronostica el clima global
Cómo mejorar la puntualidad y la precisión de los pronósticos meteorológicos siempre ha sido un tema clave en la industria. Con la intensificación del cambio climático global y la ocurrencia frecuente de condiciones climáticas extremas en los últimos años, las expectativas de todos los ámbitos de la vida en cuanto a la puntualidad y precisión de los pronósticos meteorológicos aumentan día a día. Entre las tareas de predicción meteorológica y climática, la predicción meteorológica mundial a medio plazo es una de las tareas de predicción más importantes. Su objetivo es predecir el estado del sistema atmosférico en los próximos 14 días. No es solo la base del sistema integrado de sistema de pronóstico del tiempo, sino también el valor regional Campos de fondo y condiciones de contorno para los sistemas de pronóstico del tiempo.
En las últimas décadas, se han logrado muchos logros notables en el campo de la predicción meteorológica mundial a medio plazo. Solo aumenta 1 día cada 10 años [2], lo que dificulta satisfacer las necesidades del desarrollo social y económico.
Con la madurez continua de la tecnología y el marco de aprendizaje profundo, los grandes modelos de inteligencia artificial representados por ChatGPT y "Scholar" (interno) han demostrado excelentes capacidades en los campos del lenguaje natural y la visión, y la inteligencia artificial también ha aportado grandes beneficios a campos como ciencias de la tierra Una nueva idea de investigación.
Bai Lei, un joven científico del Laboratorio de Inteligencia Artificial de Shanghái, dijo: "'Fengwu' proporciona un marco de IA poderoso y efectivo para el pronóstico del clima global a mediano plazo, y su liderazgo se refleja en tres aspectos: precisión del pronóstico, puntualidad del pronóstico y eficiencia de los recursos".
En términos de precisión del pronóstico, en comparación con GraphCast de DeepMind, el error de pronóstico de 10 días de "Fengwu" se reduce en un 10,87 %, y en comparación con el modelo físico tradicional, su error se reduce en un 19,4 %. En términos de puntualidad del pronóstico, de acuerdo con los estándares internacionales de uso común, los resultados del pronóstico del tiempo están disponibles cuando el z500 ACC es superior a 0,6 [2], lo que puede guiar mejor a los pronosticadores para juzgar la situación del desarrollo meteorológico futuro. Anteriormente, el mejor modelo físico del mundo, HRES, tenía un período de pronóstico efectivo de hasta 8,5 días dentro de este rango estándar, mientras que "Fengwu" alcanzó los 10,75 días según los datos de reanálisis. En términos de eficiencia de recursos, los modelos físicos existentes a menudo se ejecutan en supercomputadoras, mientras que el modelo grande de IA "Fengwu" solo necesita una sola GPU para ejecutarse, y solo toma 30 segundos generar resultados de pronóstico globales de alta precisión para los próximos 10 días. .
Enlace en papel: https://arxiv.org/abs/2304.02948
Según los expertos en meteorología, aunque actualmente existen en el mercado algunos productos que brindan servicios de pronóstico del tiempo para los próximos 15 días, el desempeño del pronóstico para más de 10 días todavía tiene una gran incertidumbre y no puede cumplir con el estándar para un pronóstico efectivo. La práctica ha demostrado que combinar la observación con el pronóstico numérico y la inteligencia artificial puede mejorar efectivamente la precisión del pronóstico numérico. Por primera vez, "Fengwu" aumentó la validez del pronóstico del tiempo global a 10,75 días, lo que tiene un gran valor de aplicación operativa.
2. Multimodalidad y multitarea: el aprendizaje profundo impulsa las geociencias
El equipo conjunto de IA para la Tierra del Laboratorio de Inteligencia Artificial de Shanghai propuso un método de aprendizaje profundo basado en multimodal y multitarea para construir un modelo de pronóstico del tiempo de IA, a fin de lograr un pronóstico rápido y preciso del clima global a mediano plazo.
Durante el proceso de diseño y entrenamiento del modelo de IA, el equipo de investigación encontró que en el proceso de aprendizaje, múltiples variables atmosféricas interactúan entre sí en la optimización y pueden considerarse como un problema de aprendizaje de tareas múltiples; los datos atmosféricos tienen las características de alta resolución, gran dimensión y gran volumen, lo que dificulta la optimización directa de los resultados de predicción meteorológica de varios pasos del modelo.
Estructura de red multimodal "Fengwu". Las diferentes modalidades se procesan a través de diferentes códecs y las características multimodales se fusionan a través de un módulo de fusión multimodal.
"Fengwu" utiliza una red neuronal multimodal y un balance de peso automático multitarea para resolver el problema de la representación y la influencia mutua de varias variables atmosféricas. Las variables atmosféricas a las que se dirige incluyen: potencial, humedad, velocidad del viento zonal, velocidad del viento meridional, temperatura y superficie terrestre. "Fengwu" considera estas variables atmosféricas como información multimodal, que se puede procesar mejor utilizando una estructura de red multimodal.
Desde la perspectiva de los problemas de múltiples tareas, el equipo de investigación aprende automáticamente la importancia de cada variable atmosférica, de modo que se puedan coordinar y optimizar mejor las múltiples variables atmosféricas. Para optimizar los resultados de predicción de varios pasos de "Fengwu", el equipo de investigación propuso una estrategia de "búfer de reproducción" para reducir los errores de predicción autorregresivos y mejorar el rendimiento de la predicción a largo plazo.
Resultados de predicción para diferentes variables atmosféricas. ACC es un indicador que se utiliza para medir la efectividad de los resultados de la predicción. Cuanto mayor sea el valor, más efectivos serán los resultados de la predicción (la línea roja representa "Fengwu" y la línea negra representa GraphCast).
A partir de los resultados, la habilidad de pronóstico de "Fengwu" es significativamente mayor que la de GraphCast en el pronóstico de rango medio de 6 a 10 días. Entre ellos, el representante z500 ha logrado un rango de pronóstico efectivo de 10,75 días (ACC>0,6), que es la primera vez que un sistema de pronóstico del tiempo de rango medio global de alta resolución puede pronosticar efectivamente las variables atmosféricas durante más de 10 días.
En el futuro, el modelo de clima grande "Fengwu" AI puede complementar el modelo físico tradicional. Con su excelente rendimiento y precisión, puede proporcionar información de pronóstico del tiempo más precisa y práctica para la producción y la vida, ayudar a la digitalización del pronóstico del tiempo y proporcionar un mejor servicio para la agricultura, la silvicultura, la ganadería y la pesca., la aviación y la navegación y otras industrias y la seguridad pública para proporcionar un fuerte apoyo. Se informa que el equipo de IA para la Tierra del Laboratorio de Inteligencia Artificial de Shanghái también aplicará métodos de inteligencia artificial a una gama más amplia de temas de ciencias de la tierra como la meteorología, el medio ambiente, la astronomía y la geología para ayudar a la "neutralidad del carbono", la prevención de desastres. y mitigación, y seguridad energética.
referencias
1. Lam R, Sánchez-González A, Willson M, et al. GraphCast: aprendizaje hábil de pronósticos meteorológicos globales de mediano alcance [J]. preimpresión de arXiv arXiv:2212.12794, 2022.
2. Bauer, Peter, Alan Thorpe y Gilbert Brunet. “La revolución silenciosa de la predicción meteorológica numérica”. Naturaleza 525.7567 (2015): 47-55.
Autor: TechBeat transmisión hardcore
Ilustración de 22 de IconScout
-El fin-