气候模型结合生成式人工智能和物理数据，预测模式速度比现有方法快 25 倍

Josiah02 · 发表于 2024-12-5 09:22:23

DallE 等生成式 AI 工具背后的算法与基于物理的数据相结合，可用于开发更好的地球气候建模方法。西雅图和圣地亚哥的计算机科学家现在利用这种组合创建了一个模型，该模型能够比最先进的方法快 25 倍预测 100 年内的气候模式。
具体来说，该模型名为Spherical DYffusion，可以在 25 小时内预测 100 年的气候模式，而其他模型则需要数周才能完成模拟。此外，现有的最先进模型需要在超级计算机上运行。该模型可以在研究实验室的 GPU 集群上运行。
加州大学圣地亚哥分校和艾伦人工智能研究所的研究人员写道： “数据驱动的深度学习模型即将改变全球天气和气候模型。”
该研究团队将于 12 月 9 日至 15 日在加拿大温哥华举行的NeurIPS 2024 会议上展示他们的研究成果。
目前，气候模拟非常复杂，因此成本非常高。因此，科学家和决策者只能在有限的时间内运行模拟，并且只能考虑有限的情景。
研究人员的一个重要见解是，生成式人工智能模型（例如扩散模型）可用于整体气候预测。他们将其与球形神经算子（一种设计用于处理球形数据的神经网络模型）相结合。
最终的模型首先了解气候模式，然后根据学习到的数据应用一系列转换来预测未来模式。
“与传统扩散模型 (DM) 相比，我们的模型的主要优势之一是效率更高。使用传统 DM 可能能够生成同样真实准确的预测，但速度却不如我们预期的那么快，”研究人员写道。
除了运行速度比最先进的模型快得多之外，该模型也几乎同样准确，而计算成本却并不高。
视频展示了 Spherical DYffusion 的两个随机 10 年样本以及现有模型的相应验证模拟。图片来源：加州大学圣地亚哥分校
该模型存在一些局限性，研究人员希望在下一次迭代中克服这些局限性，比如在模拟中加入更多元素。下一步包括模拟大气对二氧化碳的反应。
“我们模拟了大气层，这是气候模型中最重要的元素之一，”加州大学圣地亚哥分校计算机科学与工程系教员、该论文的资深作者之一 Rose Yu 说。
这项工作源于 Yu 的一位博士生 Salva Ruhling Cachay 在艾伦人工智能研究所 (Ai2) 的实习。

账号		自动登录	找回密码
密码			立即注册