据其创建者介绍，一种新的天气预报和未来气候预测系统利用人工智能(AI)实现与现有最佳模型相当的结果，同时消耗更少的计算机能力。

在《自然》杂志上发表的一篇论文中，来自谷歌、麻省理工学院、哈佛大学和欧洲中期天气预报中心的研究人员表示，他们的模型提供了巨大的“计算节省”，并且可以“增强对理解和预测地球系统至关重要的大规模物理模拟”。

NeuralGCM模型是一系列研究模型中的最新一个，这些模型利用机器学习的进步来更快、更便宜地进行天气和气候预测。

什么是NeuralGCM?

NeuralGCM模型旨在将传统模型的最佳特性与机器学习方法相结合。

从本质上讲，NeuralGCM是一种所谓的“大气环流模型”。它包含对地球大气物理状态的数学描述，并能求解复杂的方程来预测未来会发生什么。

然而，NeuralGCM还利用机器学习(一种在海量数据中寻找模式和规律的过程)来研究一些不太为人所知的物理过程，例如云的形成。这种混合方法确保机器学习模块的输出符合物理定律。

谷歌研究人员解释NeuralGCM模型。

由此得出的模型可用于提前几天和几周预测天气，以及提前几个月和几年预测气候。

研究人员使用一套名为WeatherBench2的标准化预测测试，将NeuralGCM与其他模型进行了比较。对于三天和五天的预报，NeuralGCM的表现与其他机器学习天气模型(如盘古和GraphCast)相当。对于十天和十五天的长期预报，NeuralGCM的准确率与现有的最佳传统模型相当。

NeuralGCM在预测不太常见的天气现象(例如热带气旋和大气河流)方面也相当成功。

为什么要进行机器学习?

机器学习模型基于算法，​​算法会学习输入数据中的模式，然后利用这种学习进行预测。由于气候和天气系统非常复杂，机器学习模型需要大量历史观测和卫星数据进行训练。

训练过程非常昂贵，需要大量的计算机能力。然而，模型训练完成后，用它来进行预测既快又便宜。这是它们对天气预报的吸引力很大一部分。

训练成本高、使用成本低，这与其他类型的机器学习模型类似。例如，据报道，GPT-4花了几个月的时间进行训练，花费超过1亿美元，但可以在几分钟内响应查询。

机器学习模型的一个弱点是，它们经常在陌生的情况下(或者在这种情况下，极端或前所未有的天气条件)表现不佳。要做到这一点，模型需要能够概括，或者在其训练数据之外进行推断。

NeuralGCM在这方面的表现似乎优于其他机器学习模型，因为它基于物理的核心提供了一些现实基础。随着地球气候变化，前所未有的天气状况将变得更加常见，我们不知道机器学习模型能否跟上形势。

目前还没有人真正使用基于机器学习的天气模型进行日常预报。然而，这是一个非常活跃的研究领域——无论如何，我们可以确信未来的预报将涉及机器学习。

版权说明：本站所有作品图文均由用户自行上传分享，仅供网友学习交流。若您的权利被侵害，请联系我们

标签：