[ad_1]
Para ilmuwan dari NVIDIA, bekerja sama dengan Lawrence Berkeley National Laboratory (Berkeley Lab), merilis alat pembelajaran mesin yang disebut besar ansambel (HENS) untuk prediksi cuaca ekstrem yang membawa peramalan kelas superkomputer tetapi pada kekuatan dan biaya komputasi yang jauh lebih sedikit. Tersedia sebagai kode open source atau model siap pakai, itu memperkirakan peristiwa berdampak rendah, berdampak tinggi-dari gelombang panas yang berkepanjangan hingga badai 100 tahun. Teknologi ini dapat membantu para ilmuwan iklim, pejabat kota, dan manajer darurat dengan cepat menguji skenario dan memperbarui rencana respons dengan sumber daya komputasi minimal.
Studi dua bagian yang diterbitkan dalam jurnal Pengembangan Model Geoscientificmemperkenalkan metode yang disebut ayam untuk menghasilkan data 27.000 tahun dan merupakan salah satu ansambel cuaca dan simulasi iklim terbesar dan paling andal yang tersedia.
Menggunakan Nvidia Physicsnemo, kerangka kerja Python open source untuk membangun, pelatihan, dan fine-tuning fisika AI model pada skala, dan kerangka kerja open source, para peneliti melatih model cuaca global untuk memperbaiki metodologi ayam.
“Dua puluh tujuh ribu tahun simulasi adalah tambang emas untuk mempelajari statistik dan pendorong peristiwa cuaca ekstrem,” kata Ankur Mahesh, rekan penulis studi dan peneliti mahasiswa pascasarjana di wilayah Bumi dan Ilmu Lingkungan Berkeley Lab. “Ukuran sampel yang besar ini benar -benar pada skala yang belum pernah terlihat sebelumnya.”
Menurut penelitian, ayam dapat memprediksi cuaca lebih cepat daripada metode lain, mengambil menit daripada jam. Ini juga memperluas jendela perkiraan, memprediksi peristiwa cuaca ekstrem dari enam jam hingga 14 hari ke depan pada resolusi 15 mil (25 kilometer). Ini dapat membantu para peneliti mempelajari pola cuaca di resolusi tinggi selama beberapa dekade untuk mengidentifikasi petunjuk baru yang mengarah ke peristiwa ekstrem.
“Dengan ayam betina, kami sekarang memiliki kemewahan untuk mengejar peristiwa ekstrem yang berdampak rendah dan berdampak tinggi yang diprediksi selama bertahun-tahun dan beberapa dekade alih-alih acara tunggal jangka pendek,” kata rekan penulis senior Bill Collins, seorang ilmuwan senior fakultas di Bumi Lab Berkeley dan Area Ilmu Lingkungan dan seorang profesor di UC Berkeley.
Pendekatan baru ini juga membutuhkan energi dan orang yang jauh lebih sedikit daripada metode lain, dan menghemat energi dengan melatih kembali model pada data baru – teknik untuk memastikan akurasi – lebih cepat dari metode lain, tambah Collins.
Ayam Pelatihan: Physicsnemo dan 40 tahun data iklim
Hens menggunakan model AI yang dilatih menggunakan Physicsnemo pada 40 tahun data ERA5, salah satu sumber negara atmosfer historis terbaik. Setelah dilatih, model ini menawarkan pendekatan komputasi yang jauh lebih murah untuk perkiraan, kata Shashank Subramanian, seorang insinyur pembelajaran mesin di Pusat Komputasi Ilmiah Penelitian Energi Nasional (NERSC) di Berkeley Lab dan rekan penulis studi yang membantu Mahesh mengembangkan dan menguji alur kerja pelatihan dan evaluasi.
“Hens adalah pengubah permainan. Sampai hari ini, menghasilkan 1.000 atau 10.000 ansambel simulasi hanya tidak praktis karena komputasi penghitungan dan biaya penyimpanan data,” kata rekan penulis Michael Pritchard, direktur penelitian simulasi iklim di NVIDIA dan seorang profesor di UC Irvine. “Berkat pekerjaan yang hati-hati dari tim ini mengkalibrasi teknologi simulasi AI, sekarang cocok untuk tujuan untuk menghasilkan ansambel besar termasuk kontrafaktual gelombang panas yang realistis dengan pesanan penyelesaian lebih cepat daripada simulasi numerik tradisional.”
Bagaimana Anda dapat meningkatkan akurasi prediksi cuaca menggunakan ayam?
Untuk menangkap berbagai kemungkinan hasil cuaca di masa depan, Layanan Cuaca Nasional menjalankan beberapa simulasi yang berbeda, atau “anggota ensemble,” masing -masing dengan perubahan kecil pada kondisi awal. Model -model numerik ini didasarkan pada Laws fisika seperti konservasi massa, konservasi momentum, dan konservasi energi. Ada banyak kepercayaan pada simulasi berbasis fisika ini, tetapi mereka juga sangat mahal secara komputasi karena mereka membutuhkan superkomputer.
Karena biaya ini, model cuaca tradisional hanya dapat memiliki 50 anggota ensemble. Untuk menemukan cuaca ekstrem, kondisi awal model perlu terganggu ribuan kali dan membutuhkan ratusan jam superkomputer.
Para peneliti menggunakan ayam untuk menciptakan 7.424 anggota ensembel berdasarkan kondisi cuaca awal dari setiap hari musim panas 2023, yang terpanas pada catatan pada saat itu – hampir 150x lebih banyak anggota daripada apa yang mungkin dengan model konvensional – masing -masing anggota ensemble mewakili lintasan cuaca alternatif, atau cara yang berbeda dengan cuaca bisa terjadi musim panas lalu.
“Ini memungkinkan kami untuk mendapatkan perkiraan yang lebih baik dari ekor distribusi dan memahami peristiwa ekstrem yang bisa terjadi musim panas itu,” kata Mahesh.
Prediksi yang dibuat oleh ayam memiliki ketidakpastian yang lebih dari 10 kali lebih kecil dari yang dari model tradisional. Itu mampu menangkap 96% dari peristiwa cuaca ekstrem yang langka namun parah yang biasanya dilewatkan oleh model lain. Bersama -sama, kekuatan ini telah memungkinkan tim untuk membuat dataset yang sangat besar, sekitar 27.000 tahun data iklim (20 petabyte).
Selama percobaan validasi yang ketat di NERSC, Mahesh dan tim menimbang prediksi ensemble pada berbagai metrik diagnostik, menunjukkan bahwa ayam sangat dekat dengan standar emas.
Apa selanjutnya?
Dalam pekerjaan di masa depan, Mahesh mengatakan bahwa tim berencana untuk mempelajari simulasi 27.000 tahun dengan harapan mengungkap wawasan baru tentang pengemudi di balik peristiwa berdampak tinggi yang mirip dengan rendah, seperti gelombang panas bencana, badai, dan sungai atmosfer, yang telah menghancurkan komunitas dalam beberapa tahun terakhir. Mereka juga bertujuan untuk lebih mengurangi persyaratan komputasi untuk menjalankan ayam.
NERSC adalah Fasilitas Pengguna Kantor Sains DOE di Berkeley Lab. Pekerjaan ini didukung oleh Kantor Sains DOE.
[ad_2]
Prediksi peristiwa cuaca ekstrem dalam hitungan menit tanpa superkomputer