Модель прогноза погоды NeuralGCM позволит тысячекратно сэкономить вычислительные мощности

Группа ученых из исследовательского центра Google Research под руководством Дмитрия Кочкова (Dmitrii Kochkov) разработала и обучили гибридную климатическую модель Neural Global Circulation Model — NeuralGCM. Модель может предсказывать погоду на период от одного до 15 дней, используя на три-пять порядков меньше вычислительного времени, чем классические физические модели. При этом она точно отражает вертикальную структуру геострофического и агеострофического ветров, смогла воспроизвести важные атмосферные явления (например, муссоны и ячейку Хэдли) и точно отразила потепление климата в сорокалетней симуляции. Описание модели и результаты ее обучения опубликованы в журнале Nature.

NeuralGCM сочетает в себе динамическое ядро с физическим модулем для решения уравнений и нейросеть, которая моделирует осадки, образование облаков и радиационный перенос, то есть объединяет подход классических физических моделей (таких, как ECMWF) и современных моделей на основе машинного обучения (таких, как GraphCast). По всем параметрам NeuralGCM показала более высокую точность, чем другие модели с машинным обучением, но несколько уступала физическим моделям. При этом она работала с горизонтальным разрешением, в 8-40 раз более грубым, чем ECMWF (не менее 0,7 градуса), что позволяло существенно экономить вычислительные мощности.