北京2022年1月30日 /美通社/ -- 面對氣象領域不斷增長的計算規(guī)模和算力需求,近日,浪潮宣布對氣象應用的大規(guī)模擴展和優(yōu)化取得諸多進展。如針對美國大氣研究中心(NCAR)、美國大氣海洋局(NOAA)和美國空間氣象局(AFWA)等共同開發(fā)的WRF模式,通過優(yōu)化IO和通信等,將WRF擴展到了24000 核,且與優(yōu)化前相比,WRF性能提升200%–300%。
作為人工智能計算全球領先公司,浪潮在人工智能與高性能計算技術的融合上,早已開啟了探索之路,在“基于模式預測數(shù)據(jù)構建神經網(wǎng)絡模型進行預測訂正”和“基于歷史觀測數(shù)據(jù)構建神經網(wǎng)絡模型進行降水預測”兩個研究方向上開發(fā)出多個神經網(wǎng)絡模型。
一般來說,基于數(shù)值預報技術的現(xiàn)代天氣預報流程包含數(shù)據(jù)獲取和預處理、模式資料同化、模式集合預報和預報結果后處理四個環(huán)節(jié)。要想提高天氣預報的準確度,一是提高時空分辨率,將網(wǎng)格精度從千米級提升到百米級;二是要模擬更接近真實環(huán)境的生物地球物理化學過程,這需要采集更多的觀測數(shù)據(jù)和開發(fā)更精細的氣候模式。因此,天氣預報的精度越高,就意味著需要處理的數(shù)據(jù)量越大,算力的需求越多。如第5次國際耦合模式比較計劃 CMIP5 輸出的數(shù)量總量超過 3 PB,而下一代 CMIP6 數(shù)據(jù)總量超過 30 PB,海量數(shù)據(jù)給處理、提取和解讀帶來巨大的挑戰(zhàn)。
氣象領域數(shù)據(jù)激增的趨勢促使人們開始探索新的計算技術,人工智能+高性能計算作為一種新的科學計算范式,得到了全球氣象研究機構和科學家的重視。2019年,德國科學家Markus Reichstein等在Nature上發(fā)表了《“數(shù)據(jù)驅動型”地球系統(tǒng)科學領域的深度學習及其過程理解》一文,提出混合建模方法,將物理模型和機器學習結合起來以提升天氣和氣候預測能力;2021年初歐洲中期天氣預報中心ECMWF發(fā)布了其未來十年機器學習路線圖,提出將機器學習應用在整個氣象預報流程中。其中,在觀測數(shù)據(jù)處理方面,機器學習將用于數(shù)據(jù)質量控制和異常檢測等;在數(shù)據(jù)同化方面,機器學習將用于誤差訂正和數(shù)據(jù)分布由非高斯分布向高斯分布的轉換等;在數(shù)值預報方面,機器學習將替代某些參數(shù)化方案,建立機器學習-傳統(tǒng)物理模式混合模式,以及用于水文模式和研究人類的影響;在后處理方面,機器學習將用于降水降尺度、觀測和模式預報融合、集合預報后處理、極端降水后處理以及特征檢測等。
隨著人工智能與高性能計算的深度融合和氣象預報精度的不斷提升,人們對天氣的掌控也將更有力,而這一切的背后,既依賴于物理模型的發(fā)展、人工智能的創(chuàng)新,也離不開算力科技的支撐。