El modelo de aprendizaje profundo acelera la previsión meteorológica extrema
Una representación digital de Twin Earth adaptada del proyecto Destination Earth de la UE.
El cambio climático es uno de los mayores desafíos que enfrenta la humanidad en la actualidad. Para ayudar a resolver este problema, los investigadores del Laboratorio Nacional Lawrence Berkeley (Berkeley Lab), Caltech y NVIDIA capacitaron al modelo de aprendizaje profundo del operador neuronal de Fourier (FNO), que aprende sistemas físicos complejos con precisión y eficiencia, para emular la dinámica atmosférica y proporcionar Previsiones meteorológicas extremas de alta fidelidad en todo el mundo con cinco días de antelación.
Los investigadores utilizaron décadas de datos de ERA5, el conjunto de datos terrestres de alta resolución del Centro Europeo de Pronósticos Meteorológicos de Rango Medio, para entrenar el modelo FNO, que se amplió hasta 128 GPU NVIDIA. A100 en Perlmutter, el nuevo sistema HPC de National Scientific Centro de Informática para la Investigación Energética (NERSC). El equipo desarrolló un modelo de pronóstico del tiempo global de FNO con una resolución de 30 km, un orden de magnitud más alta que la resolución de los emuladores terrestres de aprendizaje profundo de última generación. El modelo predice velocidades y presiones del viento de varios niveles en la atmósfera hasta con 120 horas de anticipación con alta fidelidad. En un estudio de caso para el masivo huracán Matthew de 2016, las predicciones de la trayectoria de vientos y huracanes del modelo estaban dentro de las incertidumbres de los conos de pronóstico del Centro Nacional de Huracanes de la NOAA. Además, el modelo puede predecir el comportamiento de ciertas clases de eventos climáticos extremos en todo el mundo con unos días de anticipación en solo 0.25 segundos en una sola GPU NVIDIA.
Los modelos de aprendizaje profundo basados en la física, como el FNO, ofrecen el potencial de realizar predicciones precisas de la evolución espacio-temporal de órdenes de magnitud del sistema terrestre más rápido que los modelos numéricos tradicionales. Este es un esfuerzo continuo, y el equipo está investigando la precisión comparativa del aprendizaje profundo y los modelos meteorológicos numéricos tradicionales en colaboración con expertos en modelado atmosférico y predicción meteorológica numérica.
El modelo FNO desarrollado como parte de la colaboración Berkeley Lab / Caltech / NVIDIA es un paso importante hacia la construcción de una Tierra gemela digital, señalaron los investigadores. Las Tierras Gemelas Digitales son réplicas digitales del planeta Tierra, simuladores basados en la física impulsados por IA y restringidos por datos en tiempo real. Como se describe en el ambicioso proyecto europeo de 10 años Destination Earth, un Twin Earth digital brindará a los usuarios expertos y no expertos acceso personalizado a información, servicios, modelos, pronósticos y visualizaciones de alta calidad en los campos de monitoreo, modelado y mitigación del clima. y adaptación. Este video muestra una demostración de la Tierra Gemela digital usando el FNO modelo.
La colaboración de FNO sobre el clima fue uno de los muchos logros científicos descritos por el cofundador y director ejecutivo de NVIDIA, Jensen Huang, durante una presentación en la reciente GPU Technology Conference. En su discurso, Huang señaló que la combinación de computación acelerada, física, aprendizaje automático y sistemas informáticos gigantes puede proporcionar «un salto de un millón» para permitir la simulación y la predicción. cambio climático de forma fiable y precisa.
Este proyecto fue dirigido por Karthik Kashinath, un ex alumno y afiliado de NERSC que ahora es un aprendizaje automático científico-tecnólogo en NVIDIA, y Jaideep Pathak, investigador postdoctoral en el programa NERSC Exascale Science Applications. Sanjeev Raja, un pasante de verano en el grupo de Servicios de Datos y Análisis de NERSC, también contribuyó a esta investigación.
«Es fantástico ver este importante paso en el desarrollo de enfoques sofisticados de aprendizaje profundo hacia el cambio transformador en el modelado climático», dijo Wahid Bhimji, director interino de servicios de datos, IA y análisis del NERSC. “Estamos orgullosos de que las primeras colaboraciones científicas de IA de NERSC y la infraestructura informática de IA de clase mundial de Permutter puedan ayudar a impulsar este cambio. »
Proporcionado por NERSC
Cita: Deep Learning Model Accelerates Extreme Weather Forecast (2021, 8 de diciembre) recuperado el 8 de diciembre de 2021 de https://phys.org/news/2021-12-deep-learning-extreme-weather.html
Este documento está sujeto a derechos de autor. Aparte del uso legítimo para fines de estudio o investigación privados, no se puede reproducir ninguna parte sin permiso por escrito. El contenido se proporciona únicamente a título informativo.
