正確な媒体

Apr 14, 2024

Nature volume 619、pages 533–538 (2023)この記事を引用

106k アクセス

4 引用

1534 オルトメトリック

メトリクスの詳細

天気予報は科学と社会にとって重要です。 現在、最も正確な予報システムは、大気の状態を離散化されたグリッドとして表し、それらの状態間の遷移を記述する偏微分方程式を数値的に解く数値天気予報 (NWP) 法です。 ただし、この手順は計算コストが高くなります。 最近、人工知能ベースの手法 2 は、気象予測を桁違いに加速する可能性を示していますが、予測精度は依然として NWP 手法に比べて大幅に低いです。 ここでは、正確な中距離の地球規模の天気予報のための人工知能ベースの方法を紹介します。 我々は、地球固有の事前分布を備えた 3 次元ディープネットワークが気象データの複雑なパターンの処理に効果的であること、および階層的時間集約戦略により中距離予測における累積誤差が低減されることを示します。 39 年間の地球規模のデータに基づいてトレーニングされた当社のプログラム、Pangu-Weather は、世界最高の NWP システム (欧州中期気象センターの運用統合予測システム) と比較した場合、テストされたすべての変数の再分析データでより強力な決定論的な予測結果を取得します。予測（ECMWF）3. 私たちの方法は、異常気象予報やアンサンブル予報にも適しています。 再解析データを初期化した場合、熱帯低気圧の追跡精度もECMWF-HRESよりも高くなります。

天気予報は、特に異常気象に関する将来の気象変化を予測することを目的とした科学計算の重要なアプリケーションです。 過去 10 年間、高性能コンピューティング システムにより、数値気象予測 (NWP) 手法の分野での研究が大幅に加速しました1。 従来の NWP 手法は主に、偏微分方程式 (PDE) を使用して大気状態の離散化グリッド間の遷移を記述し、数値シミュレーションでそれらを解くことに関係しています 4、5、6。 これらの方法は多くの場合時間がかかります。 10 日間の予報に対する 1 回のシミュレーションには、数百のノードを備えたスーパーコンピューターでの計算に数時間かかることがあります7。 さらに、従来の NWP アルゴリズムは主にパラメータ化に依存しており、近似関数を使用して未解決のプロセスをキャプチャするため、近似によってエラーが発生する可能性があります 8,9。

ディープラーニング 10 の急速な発展により、科学界ではこれを人工知能 (AI) ベースの手法と呼んでいる有望な方向性が導入されました 2,11,12,13,14,15,16。 ここでの方法論は、入力 (特定の時点での再解析気象データ) と出力 (対象時点での再解析気象データ) の間の関係をキャプチャするためにディープ ニューラル ネットワークをトレーニングすることです。 グラフィックス プロセッシング ユニット (GPU) などの特殊な計算デバイスでは、AI ベースのメソッドは非常に高速です。 最近の例を挙げると、FourCastNet2 は 100 人のメンバーの 24 時間予測を計算するのにわずか 7 秒しかかかりません。これは、従来の NWP 手法よりも桁違いに高速です。 ただし、FourCastNet の精度はまだ満足のいくものではありません。 5 日間の Z500 (地質ポテンシャル 500 hPa) 予報の二乗平均平方根誤差 (RMSE) は 484.5 で、欧州中期予報センターの運用統合予報システム (IFS) が報告する 333.7 よりもはるかに悪いです。 (ECMWF)3. 最近の調査 17 では、研究者らは AI が大きな可能性を秘めていることに同意したが、AI ベースの手法が NWP に勝つには「多くの根本的なブレークスルーが必要」であることを認めた。

こうしたブレークスルーは予想よりも早く起こっているようです。 ここでは、Pangu-Weather (「Pangu」という名前の説明については「メソッド」を参照) を紹介します。これは、再分析データに対してテストされたすべての気象変数について、運用上の IFS よりも強力な決定論的な予測結果を生成する、強力な AI ベースの天気予報システムです。 私たちの技術的貢献は 2 つあります。 まず、ディープ ニューラル ネットワークの入力と出力を 3 次元で概念化できるように、高さ情報を新しい次元に統合しました。 さらに、地球固有の事前分布を深いネットワークに注入するための 3 次元 (3D) 地球固有変圧器 (3DEST) アーキテクチャを設計しました。 私たちの実験では、3D モデルは高さを個別の次元に定式化することで、異なる気圧レベルの大気状態間の関係を捉える能力があり、FourCastNet2 などの 2 次元モデルと比較して大幅な精度向上が得られることがわかりました。 2 番目に、予測リードタイムを増加させて一連のモデルをトレーニングする階層型時間集計アルゴリズムを適用しました。 したがって、テスト段階では、中期天気予報に必要な反復回数が大幅に削減され、累積予測誤差が軽減されました。 第 5 世代 ECMWF 再解析 (ERA5) データに関する実験 18 では、Pangu-Weather が、運用中の IFS よりも 10,000 倍以上高速でありながら、確定的予報と異常気象予報に優れていることが検証されました。