新闻

将深度学习注入气候森林舞会狮子机

没有
2018年12月12日

创建人:Michael Feldman

一组研究人员正在使用深度学习来提高由超级计算机驱动的气候模拟的速度和准确性。

这项工作由加利福尼亚大学欧文分校,路德维希·马克西米利安大学慕尼黑分校和哥伦比亚大学的研究人员进行,其工作重点是训练神经网络,以更准确地预测云如何驱动地球的天气模式,并进行推断,对气候的长期影响。生成的森林舞会狮子机称为“云大脑”,已集成到传统的气候模拟中,希望提高其保真度和性能。

基于物理学的气候森林舞会狮子机的问题在于它们的分辨率太粗糙,无法准确地捕获大气层的行为。这是因为即使使用当今的多千万亿次超级计算机,要模拟所有具有高粒度的大气成分也非常耗时。对于天生就是小规模现象的云来说尤其如此。

据一个 文章 由本周发布 耶鲁环境360,传统方法的局限性导致了一种情况,政府间气候变化专门委员会(IPCC)使用的各种气候森林舞会狮子机的结果彼此之间存在很大差异。例如,如果森林舞会狮子机假设大气中二氧化碳增加一倍,则一个森林舞会狮子机将预热1.5度,而另一个森林舞会狮子机将预热4.5度。加州大学欧文分校(UCI)的Cloud Brain开发人员之一迈克尔·普里查德(Michael Pritchard)说:“这真令人讨厌。”

Pritchard和他的同事开发的神经网络经过训练,可以使用数千个高分辨率森林舞会狮子机预测云的影响,然后可以将其应用到大规模模拟中。当项目是 宣布 Pritchard于9月由UCI指出,仅用了三个模拟月的森林舞会狮子机输出就可以训练原始的Cloud Brain网络。

LMU的气象学博士生Stephan Rasp作为UCI的访问学者开始与Pritchard合作进行该项目,从而解释了这项工作的重要性:“神经网络学会了近似地代表了云层移动热量的基本物理约束。并没有明确要求这样做。但是这项工作是用原始云建模方法所需的处理能力和时间的一小部分来完成的。”

在随后 研究论文 由Rasp,Pritchard和哥伦比亚大学教授Pierre Gentine共同撰写,他们指出,经过训练的神经网络能够取代传统的(粗略的)云参数化,同时成功地与模拟的其他元素进行交互。结果令人鼓舞。

这组作者写道:“预后多年的模拟是稳定的,不仅可以重现分辨云的模拟的平均气候,还可以再现变异性的关键方面,包括极端降水和赤道波谱。”

凭借受过训练的神经网络的固有效率,它能够将这些参数化速度提高20倍,从而节省了宝贵的超级计算机时间。正如研究人员指出的那样,使用深度学习的主要优势在于,即使使用基于高分辨率数据的更精细的神经网络,也可以节省运行时间。

Cloud Brain仍然是一个研究项目,正如Yale Environment 360文章中所述,有许多障碍需要克服。其中一个比较顽固的方法(更广泛地渗透到深度学习中)是神经网络像一个黑匣子一样运作,没有清楚地表明其如何生成预测。对于没有明确结果可比较的未来气候预测,这种方法很难让人信服。

尽管如此,研究人员打算将他们的工作扩展到新森林舞会狮子机,同时还试图克服其某些局限性。 Pritchard说:“我们的研究显示出以数据为依据的气候和天气森林舞会狮子机的明显潜力。” “我们已经看到计算机视觉和自然语言处理开始改变其他科学领域,例如物理,生物学和化学。将其中的一些新原理应用于气候科学是有意义的,毕竟毕竟这些原理主要集中在大数据集上,特别是在如今,随着新型全球森林舞会狮子机开始解决实际的云和湍流问题。”