Ускоряют воссоздание моделей погоды глубокие нейронные сети

Исследователи разрабатывают недорогие модели, чтобы предсказать, как краткосрочные и долгосрочные изменения в погодных условиях влияют на различные территории - вплоть до окрестностей города или конкретной критической инфраструктуры.

Когда вы проверяете прогноз погоды утром, результаты, которые вы видите, более чем вероятно определяются моделью Weather Researchand Forecasting ( WRF ), всеобъемлющей моделью, которая имитирует эволюцию многих аспектов физического мира вокруг нас. «Модель анализирует все, что вы видите за окном, - говорит Джиали Ван, специалист по окружающей среде в Аргоннской национальной лаборатории Министерства энергетики США , - от облаков до солнечного излучения, от снега до растительности – учитывается даже влияние небоскребов на скорость ветра».

Множество характеристик и причин погоды и климата связаны между собой, взаимодействуя друг с другом. Учёным еще предстоит полностью описать эти сложные отношения с помощью простых, унифицированных уравнений. Вместо этого они аппроксимируют уравнения, используя метод, называемый параметризацией, в котором они моделируют отношения в масштабе, большем, чем у фактических явлений.

«Сотрудничество между климатологами и программистами имело решающее значение для достигнутых нами результатов. Включение наших знаний в предметной области делает алгоритм намного более точным». –заявил Рао Котамарти, главный научный сотрудник и начальник отдела исследований атмосферы и климата, отдела экологических наук.

Недостатки подхода

Хотя параметризация упрощает физику таким образом, что позволяет моделям получать относительно точные результаты за разумное время, они все еще являются вычислительно дорогими. Учёные-экологи и ученые в области вычислительной техники из Аргонны сотрудничают, чтобы использовать технологии глубоких нейронных сетей, тип машинного обучения, для замены параметризации определенных физических схем в модели WRF, значительно сокращая время моделирования.

«С помощью менее дорогих моделей мы хотим получить моделирование с более высоким разрешением, чтобы предсказать, как краткосрочные и долгосрочные изменения в погодных условиях влияют на некоторые локальные зоны, - сказал Ван, - от отдельных районов или конкретной критически важной инфраструктуры». В недавнем исследовании ученые сосредоточились на планетарном пограничном слое (PBL) или самой нижней части атмосферы.

PBL - это атмосферный слой, на который человеческая деятельность больше всего влияет, и он простирается всего на несколько сотен метров над поверхностью Земли. Динамика в этом слое, такая как профили скорости ветра, температуры и влажности, имеют решающее значение для определения многих физических процессов в остальной атмосфере и на Земле. PBL является ключевым компонентом в модели WRF , но он также является одним из наименее дорогостоящих в вычислительном отношении.

Это делает его отличным испытательным стендом для изучения того, как более сложные компоненты могут быть улучшены путем глубокого изучения нейронных сетей таким же образом. «Мы использовали 20- летние компьютерные данные из модели WRF для обучения нейронных сетей и два года данных, чтобы оценить, могут ли они предоставить точную альтернативу физическим методам», - говорит Прасанна Балапракаш, ученый-компьютерщик из DOE.

Принцип работы новой нейронной сети

Балапракаш разработал нейронную сеть и обучил ее изучать абстрактную взаимосвязь между входами и выходами, передавая ей более 10 000 точек данных (8 в день) из двух мест, одного в Канзасе и одного на Аляске.

Результатом стал алгоритм, который, как уверены ученые, может заменить параметризацию PBL в модели WRF. Ученые продемонстрировали, что глубокая нейронная сеть, которая учитывает некоторые основные структуры взаимосвязи между входными и выходными переменными, может успешно моделировать скорости ветра, температуру и водяные пары с течением времени. Результаты также показывают, что обученная нейронная сеть из одного местоположения может предсказать поведение в близлежащих местоположениях с корреляциями, превышающими 90 процентов по сравнению с данными испытаний.

«Сотрудничество между учеными-климатологами и учеными-компьютерщиками имело решающее значение для результатов, которых мы достигли», - сказал Рао Котамарти, главный ученый и начальник отдела исследований атмосферы и исследований климата в отделе наук об окружающей среде Аргонна. «Включение наших знаний в предметной области делает алгоритм намного более предсказуемым».

Алгоритмы - так называемые нейронные сети с учетом предметной области - которые учитывают известные взаимосвязи, могут не только более точно прогнозировать данные об окружающей среде, но и требуют обучения значительно меньшего количества данных, чем алгоритмы, которые не учитывают знания предметной области. Любой проект машинного обучения требует большого количества высококачественных данных, и для этого исследования не было недостатка в данных.

Ресурсы суперкомпьютеров в ALCF и Национальном центре научных исследований в области энергетики, Научно-вычислительном центре Министерства энергетики США в Национальной лаборатории им. Лоуренса Беркли, позволили получить более 300 лет ( 700терабайт) данных, описывающих прошлое, настоящее и будущее погоды и Климат в Северной Америке.

Планы на будущее

«Эта база данных уникальна для науки о климате в Аргонне, - сказал Ван, - и мы используем ее для проведения дальнейших исследований в области глубокого обучения и определения того, как она может применяться к климатическим моделям».

Конечная цель ученых состоит в том, чтобы заменить все дорогостоящие параметризации в модели WRF нейронными сетями с глубоким обучением, чтобы обеспечить более быстрое и высокое разрешение моделирования. В настоящее время команда работает над тем, чтобы эмулировать параметризацию длинноволновой и коротковолновой солнечной радиации - две части модели WRF, которые вместе занимают почти 40 % времени вычислений физики при моделировании.