Deep-learning model speeds extreme weather predictions

Исследователи из Национальной лаборатории имени Лоуренса в Беркли (Berkeley Lab), Калифорнийского технологического института (Caltech) и NVIDIA обучили модель глубокого обучения Fourier Neural Operator (FNO) для эмуляции атмосферной динамики и высокоточного прогнозирования экстремальных погодных явлений по всему миру на пять дней вперед. Модель была обучена на десятилетиях данных ERA5, высокоразрешающего набора данных о Земле от Европейского центра среднесрочных прогнозов погоды, и масштабирована на 128 GPU NVIDIA A100 в суперкомпьютерной системе Perlmutter.

Это достижение знаменует значительный шаг к созданию «цифрового двойника» Земли — симулятора, основанного на физике и искусственном интеллекте. Модель с разрешением 30 км может предсказывать скорость ветра и давление на нескольких уровнях атмосферы на 120 часов вперед. В тестовом случае с ураганом «Мэтью» (2016 г.) прогнозы траектории и силы ветра модели находились в пределах погрешностей конусов прогноза Национального центра по ураганам NOAA (NOAA National Hurricane Center). Ключевое преимущество — скорость: прогноз на несколько дней выполняется всего за 0,25 секунды на одном GPU NVIDIA.

Такие физически информированные модели глубокого обучения, как FNO, потенциально могут обеспечивать точные прогнозы эволюции климатической системы на порядки быстрее, чем традиционные численные модели. Как отметил сооснователь и CEO NVIDIA Дженсен Хуанг, комбинация ускоренных вычислений, физики и машинного обучения может обеспечить «скачок в миллион раз» для надежного моделирования и прогнозирования изменения климата.