91porn,com DeepMind大模子再登Nature：8分钟预计15日天气，准确度超顶尖物理模子，已开源

DeepMind 大模子再登上 Nature ——91porn，com

气候预计大模子GenCast，8 分钟内完成 15 天的预计，何况不论惯例照旧极点天气齐能分析。

在 97.2% 的场景中，GenCast 的发扬齐卓著了各人顶尖的中期天气预告系统 ENS。

不同于 DeepMind 之前推出的 GraphCast 的细目性预计，GenCast 柔和的是各式天气情况的概率。

和 GraphCast 同样，GenCast 也仍是开源。

它基于扩散模子杀青，离别率为 0.25 度经度 / 纬度（在赤说念处约为 28 × 28 公里），尽头于将地球名义分割成了卓著 100 万个网格。

每个网格齐涵盖 80 多个地表和大气变量，尽头于每次预计齐罕有千万致使上亿条数据生成。

测试适度标明，在 1320 种施行条款中，GenCast在 97.2% 的任务中，齐比 ENS 更准确。

关于 GenCast 的发扬，论文作家、DeepMind 相关东说念主员 Ilan Price 默示：

咱们确乎取得了强大的跳跃，通过机器学习赶上了并超越了基于物理的模子。

准确率超最强传统设施

传统天气预告基于数值天气预告（NWP）算法杀青，中枢是对模拟大气能源学的方程求雷同解。

不外，比拟于单一细目性的预计，气候机构越来越依赖采集预告，生成多个基于 NWP 的适度，对各式可能的情景进行建模。

GenCast 作念的亦然采集式预告，固然基于的旨趣不是 NWP 而是 AI。

开首提到的 ENS，就是现在起先进的采集预告系统，来自欧洲欧洲中期天气预告中心（ECMWF），异日将被纳入其细目性预告系统 HRES。

但即即是这种最强的传统面容，也无法校服 AI 系统。

在惯例预告当中，DeepMind 团队期骗教师数据中未涵盖的信得过历史（2019 年）数据，竖立了 1320 种施行条款，波及不同的物理变量、预告时长和垂直高度。

适度在 97.2% 的场景当中，GenCast 的 CRPS 齐权贵优于 ENS，要是只看对 36 小时之后的预计，GenCast 在 99.6% 的条款下齐能胜出。

（CRPS 推断了预告与不雅测值之间辘集概率漫步的互异，数值越小评释预告越准确）

关于高温、大风等极点天气事件（施行中按发生概率分为 1%/0.1%/0.01% 三档），除了在个别场景下，GenCast 的预告的相对经济价值（REV）权贵优于 ENS。

（2t 代表距离海平面 2 米高处温度，10wind_speed 代表 10 米处风速，msl 代表平均海平面气压，蓝线代表 GenCast）

除了基础的预计，鄙人游应用上 GenCast 也发扬出了更强的预计才能。

DeepMind 团队测试了一款区域风电应用，使用各人发电厂数据库中的 5344 个风电场位置和装机容量信息，通过插值得回各风电场位置的 10 米风速预告，并通过功率弧线转机为风电功率。

在 120 公里、240 公里、480 公里三个空间团聚程序上，GenCast 的风电功率预告 CRPS 和 REV 在 7 天内齐权贵优于 ENS。

不仅精确性强，GenCast 的预计速率也很快，完成一次 15 天的预计仅需约 8 分钟，而 ENS 需要几个小时。

用扩散模子预计天气

不同于 DeepMind 前年在 Science 上发表的 GraphCast（基于图神经收集 GNN），GenCast基于扩散模子杀青。

它以最近的 X ( t ) 和前一步天气情状 X ( t-1 ) 的残差 Z ( t ) 为采样条款，经往时噪后得到预计适度，然后期骗预计适度策动新的残差算作新的输入依据，将预计向更长时期延长。

而具体的去噪历程，DeepMind 又选拔了交给Transformer来完成。

Transformer 编码器最初将物理情状场从经纬度网格表征映射到一个六次细化的二十面体网格上。

然后，在 Transformer 的自拦截力机制中，网格上的每个节点齐会柔和其周围 32 跳邻域内的通盘节点，从而有用捕捉局部和中等程序的天气特征。

临了，解码器将适度映射回原始离别率，得到去噪后的适度。

GenCast 从公开的 ERA5 再分析数据结合，登第了 1979 至 2018 这 40 年的数据（休止 12 小时，离别率 0.25 °）对 GenCast 进行了教师。

为了普及预教师后果，数据最初被降采样到 1 ° 离别率，使用 5 次细化的二十面体网格进行学习。

这个阶段需要 200 万步，在 32 个 TPUv5 实例上启动约 3.5 天。

完成预教师后，再用原始的 0.25 度离别率数据和 6 次细化的二十面体网格，对模子进行高精度微调，悉数 64000 步，需要约 1.5 天完成。

现在，像前年发布的细目性预计模子 GraphCast 同样，GenCast 也仍是开源，代码和模子权重均已发布。

DeepMind 还默示，将会很快发布 GenCast（和以前的模子）生成的及时和历史预告适度，为其他相关者提供更多的相关资源。

论文地址：

https://www.nature.com/articles/s41586-024-08252-9

参考诱骗：

[ 1 ] https://deepmind.google/discover/blog/gencast-predicts-weather-and-the-risks-of-extreme-conditions-with-sota-accuracy/

[ 2 ] https://www.nature.com/articles/d41586-024-03957-391porn，com