现时,东谈主工智能(AI)飞速发展,也曾在大气科学的各个范畴产生深入影响,而且约束更正和重塑征象范畴诸多主见的商讨。
在此条目下,何如诱骗AI法子来匡助搞定传统征象商讨中遭受的问题,又该何如诱骗征象能源商讨匡助会诊、意志和辘集AI模子,擢升AI模子的性能,这些问题备受存眷。
中国科学院大气物理商讨所商讨员、大气科学东谈主工智能商讨中心主任黄刚率团队进行商讨,获取建议物理和AI会通的必要性及旅途、生成模子改进征象花样对厄尔尼诺-南边涛动(ENSO)的模拟、物理耦合擢升深度学习降水预告技能等紧迫发达,关联商讨效果以封面论文神志在最新一期专科学术期刊《大气科学发达》(AAS)上发表。
改日征象花样或为AI和数值统共耦合
论文通信作家黄刚商讨员先容说,盘古等风物大模子出现以来,针对其物理一致性问题,科学界存在较大争论,科研团队对这一争论进行了梳理,发现争论主要来自于对天气大模子定性和定量两种不同进程的能源会诊。这些商讨标明,天气大模子不错定性地学习到征象系统的一些要道能源模态,关联词关于一些要道物理能源量(如一些风重量)在定量上仍然存在显着迤逦。他们觉得,这些迤逦主要因为当今的天气大模子并未显式地学习这些风重量,而是字据总的风速去构造亏本函数迭代模子。
由此不错看出,对AI模子进行充分、深入地能源会诊的必要性,只好比拟全面地分析和了解模子的优污点,身手慢慢对其增多意志,进而进行改进和物理胁制。从这一角度开赴,科研团队诱骗具体的商讨分析应该何如对AI模子(尤其是AI征象模子)进行能源会诊,以及何如诈骗物理胁制来提高模子智商和物理一致性。
同期,针对数值花样和AI的会通问题,科研团队觉得,当今的离线参数化决策追求的是模子权重在某一参数化决策中的最优,相较于花样繁荣的参数化决策而言,这很可能是一种局部最优,不仅在拟合优度上可能存在偏差,在实质工程上还可能存在长期积分崩溃、征象漂移等问题。因此,给与在线参数化决策,或可使得模子权重达到全局最优,进行改进离线参数化存在的一些问题。
在这一视角之下,改日征象花样的发展图景大略是AI和数值花样的统共耦合,即物理-AI均衡的模子。这种耦合花样不错字据花样输出规画亏本,进而迭代优化,变为一种可学习的征象花样。
生成模子改进征象花样对ENSO的模拟
黄刚指出,连年来,科研团队通过能量机制较为系统分析ENSO热带、热带外遥关联的机制,并通过非线性能量平流经由姿首ENSO纬向对称响应和非对称响应的相互作用,从热带外非线性相互作用角度较好地讲明了ENSO引发的太平洋-北好意思型(PNA)遥关联的非对称性特征。
CyleGAN人人SST校正模子。中国科学院大气物理商讨所/供图
不外,征象花样关于ENSO遥关联的模拟偏差仍然难以搞定,辉煌配资这平直影响了改日预估的可靠性。他们前期商讨发现ENSO阑珊年夏日的西北太平洋额外反气旋主要迤逦开首是ENSO模拟的迤逦,ENSO海名义温度(SST)额外过度西伸的偏差通过影响ENSO的阑珊,权贵影响西北太平洋额外反气旋和东亚夏日风模拟,严重制约了征象模拟和征象预估的可靠性。
针对这一问题,科研团队基于轮回一致生成抵抗蚁集联想人人SST模拟校正模子,生成模子搞定了由于里面变率导致的花样模拟限度与不雅测数据不逐个双应的问题。商讨限度标明,该模子不仅能校正征象态偏差,还能权贵改进对ENSO、印度洋偶极子(IOD)等能源模态的模拟,权贵幽静了ENSO SST额外过度西伸的偏差,而传统法子很难创新这一花样共同偏差。
ENSO SST额外漫衍。(a)不雅测;(b)CESM2历史模拟;(c)quantile map校正限度;(d)CycleGAN校正限度。中国科学院大气物理商讨所/供图
改日,基于近似的生成模子偏执改进模子,有望进一步提高ENSO阑珊年夏日西北太平洋额外反气旋和东亚夏日风的模拟,增多改日预估的可靠性。
物理耦合擢升深度学习降水预告技能
黄刚暗示,针对物理学问是否不错擢升AI模子效果这一问题,科研团队通过降水预告这一问题进行尝试性回话。他们从物理变量耦合关系角度开赴,诱骗图神经蚁集对多变量进行物理软胁制,并发现这一法子不错擢升数值花样的降水预告技能。针对降水预告的难点问题,尤其是强降水的预告问题,科研团队从降水的影响要素和发欲望制开赴,诱骗垂直贯通(omega)方程和水汽方程等进行变量筛选、构建变量耦合图蚁集。Omega方程和水汽方程分别姿首了垂直贯通和水汽变化,均为影响降水的紧迫要素。
物理胁制的omega-GNN模子。中国科学院大气物理商讨所/供图
从图蚁集的角度来看,omega方程响应了基本的物理量(温、风、湿等)的非线性组合与降水要道要素之间的关系,因而可将其轮廓为图蚁集,通过图蚁集间变量(节点)和变量间关系来表征不同物理变量间的组合及耦合。同期,探究到征象因子关于天气圭臬的影响,尤其是不同征象布景下花样迤逦系统性的互异,本项商讨将季节、ENSO等征象因子和起报时刻等疏淡数据使用迥殊期间镶嵌校正模子,以诀别不同布景下的迤逦;针对降水经由,对图神经蚁集进行局地化改进,使其基本保抓效果的同期,幸免全局运算,大幅缩短规画复杂度。
模子比对限度标明,本项商讨建议的两个物理胁制模子omega-GNN和omega-EGNN相较于数值花样,权贵擢升各分类降水预告技能,同期其性能优于当今主流的无物理胁制深度学习模子。
各模子(a)TS评分,(b-g)相干于数值花样的TS差值空间漫衍(20mm/6h阈值以上降水);(a)中error bar为围聚间设施差。中国科学院大气物理商讨所/供图
黄刚纪念说,东谈主工智能与征象、风物交叉商讨的主见十分平凡,险些诡秘当今最主要的天气征象范畴。同期,东谈主工智能的发展尽头飞速,迭代极快。因此,东谈主工智能和征象科学商讨的诱骗,需要不同学科稠密主见商讨者共同接力,鼓励在不同方朝上“吐花限度”。(完)