L’émulateur de dynamique atmosphérique permet des prévisions météorologiques extrêmes avec une grande précision

L'émulateur De Dynamique Atmosphérique Permet Des Prévisions Météorologiques Extrêmes Avec

Afin d’aider à relever l’un des plus grands défis auxquels l’humanité est confrontée aujourd’hui – le changement climatique -, des chercheurs du Lawrence Berkeley National Laboratory (Berkeley Lab), du California Institute of Technology (Caltech) et de la société technologique NVIDIA ont trouvé un moyen d’imiter. dynamique atmosphérique et fournissent des prévisions météorologiques extrêmes de haute fidélité dans le monde entier cinq jours à l’avance.

Pour former le modèle d’apprentissage en profondeur de l’opérateur neuronal de Fourier (FNO) – qui apprend des systèmes physiques complexes avec précision et efficacité – les chercheurs ont utilisé des décennies de données d’ERA5 – l’ensemble de données haute résolution du Centre européen de prévision du temps moyen sur Terre.

Lemulateur de dynamique atmospherique permet des previsions meteorologiques extremes avec
Une représentation adaptée du jumeau numérique terrestre du projet terre de destination de l’Union européenne. Image : Destination Terre

Ainsi, le FNO a été étendu à 128 GPU NVIDIA A100 sur Perlmutter, le nouveau système HPC du National Center for Scientific Computing for Energy Research (NERSC). L’équipe a développé un modèle de prévision météorologique mondial FNO avec une résolution de 30 km, un ordre de grandeur supérieur à celui de n’importe quel émulateur terrestre d’apprentissage en profondeur de nouvelle génération.

Ce modèle prédit les vitesses et les pressions du vent à différents niveaux dans l’atmosphère jusqu’à 120 heures à l’avance avec une grande fidélité. De plus, il peut prédire le comportement de certaines classes d’événements météorologiques extrêmes dans le monde avec des jours à l’avance aussi peu que 0,25 seconde sur un seul GPU NVIDIA.

Les modèles d’apprentissage en profondeur basés sur la physique tels que FNO offrent le potentiel de prédictions précises de l’évolution spatio-temporelle des ordres de grandeur du système Terre plus rapidement que les modèles numériques traditionnels.

Selon l’équipe, il s’agit d’un effort continu et ils étudient la précision comparative de l’apprentissage en profondeur et des modèles climatiques numériques traditionnels en collaboration avec des experts en modélisation atmosphérique et en prévision météorologique numérique.

Selon les scientifiques, le modèle FNO développé dans le cadre de la collaboration Berkeley Lab / Caltech / NVIDIA est une étape importante vers la construction d’une Terre jumelle numérique.

Les Digital Twin Earths sont des répliques numériques de notre planète – des simulateurs basés sur la physique, alimentés par l’intelligence artificielle et limités par des données en temps réel.

Comme décrit dans l’ambitieux projet terre de destination, de l’Union européenne, un jumeau numérique de la Terre offre aux utilisateurs experts et non experts un accès personnalisé à des informations, des services, des modèles, des prévisions et des visualisations de haute qualité dans les domaines de la surveillance, de la modélisation, de l’atténuation et de l’adaptation climatiques.

« C’est formidable de voir cette étape importante dans le développement d’approches sophistiquées d’apprentissage en profondeur vers un changement transformateur dans la modélisation climatique », a déclaré Wahid Bhimji, chef de groupe par intérim pour les services de données, d’IA et d’analyse au NERSC. « Nous sommes fiers que les premières collaborations scientifiques en IA du NERSC et l’infrastructure informatique de classe mondiale de Permutter en IA puissent contribuer à ce changement. »

Avez-vous regardé nos nouvelles vidéos YouTube ? Abonnez-vous à notre chaîne !