谷歌 DeepMind 實驗室推出的天氣預測大模型，已在 Science 雜志發表。
隻需要不到 1 分鍾，它就能直接預測出未來 10 天的天氣。
準确度上，它在 90% 的指标上超越了最先進的人類系統，在 AI 氣象模型中屬首次！
DeepMind 的這個氣象模型名叫 GraphCast，目前已經開源。
它的分辨率爲 0.25 度經度 / 緯度（在赤道處約爲 28 × 28 公裏），而目前的最高分辨率爲 1 度。
這樣的分辨率相當于将地球表面分割成了超過 100 萬個網格，而每個網格又可以産生數百條預測數據，總計數量達到了上億規模。
不同于傳統的預測方式，GraphCast 預測主要依靠數據中的規律進行預報，而不使用人類建立的物理方程。
相比于人類最準确的 HRES 預報，GraphCast 在 1380 個測試指标中，90% 的預測結果都更爲準确。
如果把預測範圍限制在對流層，GraphCast 擊敗 HRES 的指标比例更是高達 99.7%。
YC 上有網友表示，用 "impressive" 已經不足以形容這項成果了。
那麽，GraphCast 的預測表現具體是怎樣的呢？
90% 指标超越人類最好方法
在劃分出的 100 萬多個網格上，GraphCast 劃分出的每個網格都能夠産生 227 條預測數據。
其中包括了 37 個不同高度上，每個高度的 6 個大氣變量（包括比濕度、風速和風向以及溫度等）。
在地球表面，GraphCast 還可以預測包括溫度、風速和風向以及平均海平面壓力等在内的 5 個變量。
完整的變量種類和具體高度（以氣壓表示，單位：hPa）如下表所示：
爲了比較 GraphCast 和 HRES 的表現，研究人員從歐洲中期天氣預報中心（ECMWF）的 ERA5 再分析數據中選取了 2018 年（GraphCast 訓練數據截止 2017 年）的曆史數據。
研究者分别讓 HRES 和 GraphCast 站在當時的情況下進行 " 預測 "，然後比較它們的 " 預測 " 和 ERA5 進行比較。
在 500hPa 高度場上，GraphCast 的 RMSE（均方根誤差，數值越低表現越好）和 ACC（異常相關系數）指标都顯著優于 HRES。
而在研究人員選取的 50-1000hPa 的 1380 個數據點中，GraphCast 有 90.3% 優于 HRES，89.9% 優勢顯著（下圖 d 組中，藍色表示 GraphCast 優于 HRES，越深優勢越明顯）。
除了這些數據，GraphCast 在極端天氣的預測上也有明顯優勢。
對于熱帶氣旋路徑，GraphCast 中位誤差低于 HRES，特别是在前 4.75 天開始，優勢開始變得明顯（下圖 a、b）。
在根據大氣河流（Atmospheic River）進行水汽通量預測時，GraphCast 的 RMSE 值也明顯低于 HRES（下圖 c）。
預測熱浪時，GraphCast 在提前 12 小時、5 天、10 天時，準确度也都比 HRES 高（下圖 d）。
今年 9 月，GraphCast 成功在登陸前 9 天預測了北大西洋的飓風 Lee，而使用傳統方法最多提前 6 天預報。
GraphCast 不僅準确度高，預測速度也非常快。
在一台 Google TPU v4 機器上使用 GraphCast 進行 10 天預測，隻需不到一分鍾就能完成。
相比之下，使用 HRES 等傳統方法，即使在超級計算機上也要花費數個小時。
那麽，GraphCast 是如何實現高效準确的氣象預測的呢？
不使用物理方程，預測全靠數據分析
工作流程上，輸入從 6 小時前開始到當前的氣象數據，GraphCast 就可以預測未來 6 小時的天氣。
而預測出的數據可以作爲新的 " 當前 " 态，繼續往後叠代預測，最長可以預測到 10 天後的天氣狀況。
原理層面，GraphCast 使用機器學習方式和圖神經網絡（GNN）架構，其中包括編碼器和解碼器各一層，以及中間層 16 層，參數量爲 3670 萬。
它僅通過學習已有氣象數據實現預測，不依賴人類建立的物理方程。
GraphCast 将 0.25 度網格的氣象數據進行編碼映射到神經網絡，經過傳遞計算後的結果再由解碼器還原爲氣象數據。
訓練時，GraphCast 使用的是來自 ERA5 數據集中的 1979-2017 這近四十年天氣的再分析數據，包括了衛星圖像、雷達和氣象站測結果。
ERA5 是基于 4DVar 方法和同化觀測生成的全球最優重構資料，涵蓋時間從上世紀 40 年代至今，空間則覆蓋全球。
而如果使用更近期的數據，GraphCast 的預測結果準确度還能繼續提高。
下一步，DeepMind 計劃構建集合預報模型，以适應實際情況中天氣的不确定性，進一步增強預報準确性。
論文地址：
https://www.science.org/doi/10.1126/science.adi2336
參考鏈接：
[ 1 ] https://deepmind.google/discover/blog/graphcast-ai-model-for-faster-and-more-accurate-global-weather-forecasting/
[ 2 ] https://www.ft.com/content/ca5d655f-d684-4dec-8daa-1c58b0674be1
