无需超算分钟级预测极端天气事件

预测极端天气事件：无需超算，仅需数分钟

某中心与劳伦斯伯克利国家实验室的科学家们合作发布了一款名为Huge Ensembles（HENS）的机器学习工具，用于极端天气预测。该工具能够提供超级计算机级别的天气预报能力，但计算能力和成本显著降低。作为开源代码或即用模型提供，可预测低概率高影响事件——从持续热浪到百年一遇的飓风。这项技术可帮助气候科学家、城市官员和应急管理人员快速测试场景，并以最少的计算资源更新应对计划。

这项分为两部分的研究发表在《地球科学模型发展》期刊上，引入了HENS方法来生成27000年的数据，是目前可用最大、最可靠的天气和气候模拟集合之一。

使用某中心PhysicsNeMo（一个用于大规模构建、训练和微调物理AI模型的开源Python框架）和Makani开源框架，研究人员训练了全球天气模型以完善HENS方法。

研究合著者、伯克利实验室地球与环境科学领域研究生研究员Ankur Mahesh表示：“27000年的模拟是研究极端天气事件统计数据和驱动因素的宝库。这种大样本规模确实达到了前所未有的水平。”

根据研究，HENS预测天气的速度比其他方法更快，只需几分钟而不是几小时。它还扩展了预测窗口，可以预测从6小时到14天内的极端天气事件，分辨率为15英里（25公里）。可帮助研究人员以高分辨率研究几十年来的天气模式，以识别导致极端事件的新线索。

资深合著者Bill Collins说：“使用HENS，我们现在可以研究多年和几十年预测的低概率高影响极端事件，而不是单一的近期事件。”

这种新方法还需要比其他方法少得多的能源和人力，并且通过在新数据上重新训练模型来节省能源——这是一种确保准确性的技术——比其他方法更快。

训练HENS：PhysicsNeMo和40年气候数据

HENS采用使用PhysicsNeMo在40年ERA5数据上训练的AI模型，ERA5是最佳历史大气状态来源之一。一旦训练完成，该模型为预测提供了一种便宜得多的计算方法。

合著者Michael Pritchard说：“HENS改变了游戏规则。直到今天，生成1000或10000个成员的模拟集合根本不切实际，因为计算和数据存储成本过高。多亏了团队仔细校准新颖的AI模拟技术，现在它适合生成大规模集合，包括现实的热浪反事实，完成速度比传统数值模拟快几个数量级。”

如何使用HENS提高天气预报准确性？

为了捕捉未来可能的天气结果范围，国家气象部门运行多个不同的模拟或"集合成员"，每个都对初始条件进行微小更改。这些数值模型基于物理定律，如质量守恒、动量守恒和能量守恒。对这些基于物理的模拟有很多信任，但它们计算成本也非常高，因为它们需要超级计算机。

由于这种费用，传统天气模型只能有50个集合成员。为了找到极端天气，模型的初始条件需要扰动数千次，需要数百个超级计算小时。

研究人员使用HENS基于2023年夏季（当时有记录以来最热的夏季）每一天的初始天气条件创建了7424个集合成员——比传统模型可能的多近150倍——每个集合成员代表一个替代的天气轨迹，或者天气可能以不同方式展开。

"这使我们能够更好地估计分布的尾部，并理解那个夏季可能发生的极端事件，"Mahesh说。

HENS做出的预测的不确定性比传统模型小10倍以上。它能够捕捉到其他模型通常遗漏的96%的罕见但严重的极端天气事件。这些优势共同使团队能够创建一个巨大的数据集，约27000年的气候数据（20PB）。

在NERSC进行的严格验证实验中，Mahesh和团队在各种诊断指标上权衡了集合预测，表明HENS非常接近黄金标准。

下一步是什么？

在未来的工作中，Mahesh表示团队计划研究27000年的模拟，希望揭示低概率高影响事件背后的驱动因素的新见解，例如近年来摧毁社区的灾难性热浪、飓风和大气河流。他们还旨在进一步降低运行HENS的计算要求。
更多精彩内容 请关注我的个人公众号 公众号（办公AI智能小助手）或者 我的个人博客 https://blog.qife122.com/
对网络安全、黑客技术感兴趣的朋友可以关注我的安全公众号（网络安全技术点滴分享）