机器之心报道
机器之心编辑部

英伟达在天气预报上放出了「大招」 。

现代数值天气预报（numerical weather prediction, NWP）可以追溯到 1920 年代 。 当今 ， 数值天气预报已经无处不在 ， 并且为交通、物流、农业和能源生产等关键部门的经济规划做出了贡献 。 准确的天气预报通过提前通知极端事件挽救了无数人的生命 。
过去几十年 ， 天气预报的质量一直在稳步提高 。 最早的单点动态建模数值天气预报是由英国科学家 Lewis Fry Richardson 在 1922 年使用计算尺和对数表计算得出的 ， 并用六周时间计算出 6 小时（6-hour）的大气预报 。 到了 1950 年代 ， 早期的电子计算机极大地提高了预测速度 ， 使得运行预测的计算速度足够快 ， 从而有助于未来天气预测 。 除了更好的计算能力之外 ， 通过更深入地了解小尺度过程的物理特性和更高质量的大气观测 ， 来更好地参数化小尺度过程 ， 从而改进天气预报效果 。

文章图片

与 SOTA NWP 模型相比 ， 数据驱动的深度学习模型在成本上低了数个量级 ， 因此现在研究人员越来越有兴趣开发这类方法来预测天气 。 许多研究都试图通过建立数据驱动的模型来预测大气的规模环流 ， 并且要么在气候模型输出、大气环流模型（GCM）、再分析产品 ， 或者结合气候模型输出和再分析产品进行训练 。 数据驱动的模型通过克服 NWP 模型中存在的模型偏差 ， 以及通过以较低的计算成本生成用于概率预测和数据同化的大型集合 ， 因而在改进天气预报方面具有巨大潜力 。
大多数据驱动的天气模型使用低分辨率数据来训练 ， 通常是 Rasp and Thuerey [2021b]中的 5.625° 分辨率或者 Weyn et al. [2020] 中的 2° 分辨率 。 这些先验尝试在预测一些粗粒度、低分辨率大气变量方面取得了很好的效果 。 然而 ， 粗化过程会导致关键的细粒度物理信息的丢失 。 要使数据驱动模型真正具有影响力 ， 它们生成的预报的分辨率必须与当前 SOTA 数值天气模型相同或更高 ， 分辨率大约在 0.1° 。
【速度提升45000倍，英伟达用傅里叶模型实现前所未有天气预报准确率】在近日的一篇论文中 ， 英伟达、劳伦斯伯克利国家实验室、密歇根大学安娜堡分校、莱斯大学等机构的研究者开发了一种基于傅里叶的神经网络预测模型 FourCastNet ， 它能以 0.25° 的分辨率生成关键天气变量的全球数据驱动预测 ， 相当于赤道附近大约 30×30 km 的空间分辨率和 720×1440 像素的全球网格大小 。 这使得我们首次能够与欧洲中期天气预报中心（ECMWF）的高分辨率综合预测系统（IFS）模型进行直接比较 。

文章图片

论文地址：
https://arxiv.org/pdf/2202.11214.pdf
FourCastNet 在节点小时（node-hour）基础上比传统 NWP 模型快约 45,000 倍 。 FourCastNet 这种数量级的加速以及在高分辨率下前所未有的准确性 ， 使得它能够以很低的成本生成超大规模集合预测 。 FourCastNet 极大地改善了概率天气预报的效果 ， 使用它可以在几秒钟内生成对飓风、大气层河流和极端降水等事件的大规模集合预报 ， 从而可以实现更及时、更明智的灾难响应 。
此外 ， FourCastNet 对近地表风速的可靠、快速和低廉预测可以改善陆海风电场的风能资源规划 。 训练 FourCastNet 所需的能量大约等于使用 IFS 模型生成 10 天预测所需的能量（50 个成员） 。 然而 ， 一旦经过训练 ， FourCastNet 生成预测所需的能量比 IFS 模型少 12,000 倍 。 研究者希望 FourCastNet 只训练一次 ， 并且后续微调的能耗可以忽略不计 。