這兩項技術不僅能加快天氣預測和氣候建模的速度和準確性，同時還能提高能效。

慕尼黑再保險公司（Munich Reinsurance Company）預測，到 2050 年日益頻發(fā)的極端天氣與氣候事件可能會奪去百萬人的生命，每年造成 1.7 萬億美元的損失。

面對日益頻發(fā)的暴雪、颶風、熱浪等惡劣天氣，目前迫切需要更準確的天氣預報。AI 和加速計算將提供這方面的幫助。

全球超過 180 個氣象建模中心采用強大的高性能計算（HPC）基礎設施來運行傳統(tǒng)的數(shù)值天氣預報（NWP）模型，其中包括歐洲中期天氣預報中心（ECMWF），該中心運行在 983,040 個 CPU 核心上，以及英國氣象局的超級計算機，該計算機采用超過 150 萬個 CPU 核心，耗電量為 2.7 兆瓦特。

重新思考 HPC 系統(tǒng)的設計

全球的節(jié)能化趨勢正在促使人們重新思考 HPC 系統(tǒng)的設計。加速計算充分利用 GPU 的強大功能，提供了一種極具潛力的節(jié)能替代方案，并能加快計算速度。

圖 1. 左圖是在假設 10 座建模中心運行相同預報工作量的情況下，ECMWF 綜合預報系統(tǒng) 51 個集合成員在英特爾 Broadwell CPU 上取得的結果和 FourCastNet 1,000 個集合成員在 4 顆 NVIDIA A100 Tensor Core GPU 上取得的結果；右圖是 ICON 模型的性能測量結果。CPU：2 顆 AMD Milan。GPU：4 顆 NVIDIA H100 Tensor Core PCIe。

NVIDIA GPU 為世界各地的天氣模型帶來了重大影響，其中包括 ECMWF、馬克斯·普朗克氣象研究所、德國氣象局和美國國家大氣研究中心的天氣模型。

GPU 將性能提升了 24 倍，同時實現(xiàn)提高能效，降低成本和空間要求。

瑞士國家氣象學和氣候?qū)W辦公室（MeteoSwiss）數(shù)值預測主管 Oliver Fuhrer 表示：“為了在有限的電力預算內(nèi)進行可靠的天氣預測和氣候預測，我們需要算法上的改進以及硬件，比如用 NVIDIA GPU 替代 CPU?！?/p>

AI 模型大幅提升速度、效率

與傳統(tǒng)方法相比，NVIDIA 的 AI 天氣預測模型FourCastNet在實現(xiàn)高準確度的同時，還將速度和能效提升了好幾個數(shù)量級。FourCastNet 可快速作出一周的預報并生成大型集合或初始條件稍有變化的模型組，從而提供高可信度的極端天氣預報。

例如，F(xiàn)ourCastNet 基于歷史數(shù)據(jù)，準確預測了 2018 年 7 月 5 日阿爾及利亞瓦爾格拉的溫度，那是非洲有氣象記錄以來氣溫最高的一天。

圖 2.2018 年 7 月非洲地區(qū)真實天氣的可視化圖（中間），周圍的地球代表 FourCastNet（集合成員）對熱穹現(xiàn)象的準確預報。

利用 GPU，F(xiàn)ourCastNet 可以快速而準確地生成 1,000 個集合成員，超越了傳統(tǒng)模型。其中的十幾個成員根據(jù)阿爾及利亞高溫發(fā)生前三周的數(shù)據(jù)，準確預測了阿爾及利亞的高溫。

這標志著 FourCastNet 團隊首次提前數(shù)周預測到了一個影響重大的事件，證明了 AI 能以比傳統(tǒng)天氣模型更低的能耗作出可靠天氣預報的潛力。

FourCastNet 使用 transformer 模型等最新 AI 進展搭建了 AI 和物理學之間的橋梁，并取得了突破性的成果。它比傳統(tǒng)的 NWP 模型快 45,000 倍。在訓練時，F(xiàn)ourCastNet 預測天氣所需的能耗比 NWP 模型中的標桿——歐洲綜合預報系統(tǒng)少 12,000 倍。

馬克斯普朗克氣象研究所所長 Bjorn Stevens 表示：“NVIDIA FourCastNet 為 AI 在各個領域的應用打開了一扇門，這將改變 NWP 企業(yè)的形態(tài)?！?/p>

不斷擴大的可能性

在NVIDIA GTC 分會上，Stevens 描述了當前 ICON 氣候研究工具所帶來的可能性。他表示使用 3,200 顆 CPU 的Levante 超級計算機可在 24 小時內(nèi)模擬 10 天的天氣，而使用 1,200 顆NVIDIA A100 Tensor Core GPU的JUWELS Booster 超級計算機在同樣的時間內(nèi)可模擬 50 天的天氣。

Stevens 補充道，科學家希望研究未來 300 年的氣候影響，而這需要將系統(tǒng)速度提升 20 倍。他表示，采用像NVIDIA H100 Tensor Core GPU這樣更快的技術和更簡單的代碼可以讓我們實現(xiàn)這個目標。

研究人員現(xiàn)在所面臨的挑戰(zhàn)是如何實現(xiàn)物理建模和機器學習之間的最佳平衡，從而作出更快、更準確的氣候預測。上月發(fā)表的一篇 ECMWF 文章介紹了這種利用機器學習作出初步預測并使用物理模型進行數(shù)據(jù)生成、驗證和系統(tǒng)改進的混合方法。

這種通過加速計算實現(xiàn)的混合方法可能會推動天氣預報和氣候科學的重大進步，開辟一個使預測變得高效、可靠和節(jié)能的新紀元。