بهبود شبیه سازی ابرها و اثرات آنها بر آب و هوا – وبلاگ تحقیقاتی گوگل

ارسال شده توسط Tapio Schneider، محقق بازدیدکننده، و Yi-fan Chen، مدیر مهندسی، Google Research

مدل‌های آب و هوایی امروزی با موفقیت روندهای گرمایش جهانی را به تصویر می‌کشند. با این حال، به دلیل عدم قطعیت در مورد فرآیندهایی که در مقیاس کوچک و در عین حال اهمیت جهانی دارند، مانند ابرها و تلاطم اقیانوس، پیش‌بینی‌های این مدل‌ها از تغییرات آب و هوایی آتی در جزئیات بسیار دقیق نیستند. به عنوان مثال، پیش‌بینی‌های زمانی که میانگین دمای سطح جهانی زمین ۲ درجه سانتیگراد گرم می‌شود، نسبت به دوران پیش از صنعتی شدن، بین ۴۰ تا ۵۰ سال (نسل کامل انسان) در مدل‌های امروزی متفاوت است. در نتیجه، پیش‌بینی‌های دقیق و از نظر جغرافیایی دقیقی که برای برنامه‌ریزی زیرساخت‌های انعطاف‌پذیر، تطبیق زنجیره‌های تأمین با اختلالات آب‌وهوایی، و ارزیابی خطرات مخاطرات مرتبط با اقلیم برای جوامع آسیب‌پذیر نیاز داریم، نداریم.

تا حد زیادی این به این دلیل است که ابرها بر خطاها و عدم قطعیت ها در پیش بینی های آب و هوا برای دهه های آینده غالب هستند. [1, 2, 3]. ابرها نور خورشید را منعکس می‌کنند و اثر گلخانه‌ای ایجاد می‌کنند و آنها را برای تنظیم تعادل انرژی زمین و واسطه‌گری واکنش سیستم آب و هوایی به تغییرات غلظت گازهای گلخانه‌ای ضروری می‌سازد. با این حال، آنها در مقیاس بسیار کوچک هستند که به طور مستقیم در مدل های آب و هوایی امروزی قابل حل نیستند. مدل‌های اقلیمی کنونی، حرکات را در مقیاس‌های ده‌ها تا صد کیلومتر، با چند فشار به سمت مقیاس کیلومتر، حل می‌کنند. با این حال، حرکات متلاطم هوا که به عنوان مثال، ابرهای کم ارتفاعی را که پهنه‌های وسیعی از اقیانوس‌های استوایی را پوشانده است، حفظ می‌کنند، مقیاس‌هایی از متر تا ده‌ها متر دارند. به دلیل این تفاوت گسترده در مقیاس، مدل‌های آب و هوایی به جای شبیه‌سازی مستقیم ابرها، از پارامترهای تجربی ابرها استفاده می‌کنند که منجر به خطاها و عدم قطعیت‌های بزرگ می‌شود.

در حالی که ابرها را نمی توان به طور مستقیم در مدل های آب و هوایی جهانی حل کرد، دینامیک آشفته آنها را می توان در مناطق محدود با استفاده از شبیه سازی های گردابی بزرگ با وضوح بالا (LES) شبیه سازی کرد. با این حال، هزینه محاسباتی بالای شبیه‌سازی ابرها با LES، آزمایش‌های عددی گسترده و سیستماتیک را مهار کرده است، و تولید مجموعه‌های داده بزرگ برای آموزش طرح‌های پارامترسازی برای نمایش ابرها در مدل‌های آب و هوای جهانی با وضوح درشت‌تر را متوقف کرده است.

در «شتاب‌سازی شبیه‌سازی‌های گردابی بزرگ ابرها با واحدهای پردازش تانسور» منتشر شده در مجله پیشرفت ها در مدل سازی سیستم های زمین (JAMES) و با همکاری یکی از رهبران اتحاد مدل‌سازی آب و هوا (CliMA) که یک محقق مهمان در Google است، نشان می‌دهیم که واحدهای پردازش تنسور (TPUs) – مدارهای مجتمع ویژه برنامه‌ای که در اصل برای برنامه‌های یادگیری ماشین (ML) توسعه داده شده‌اند. – می تواند به طور موثر برای اجرای LES ابرها استفاده شود. ما نشان می‌دهیم که TPUها، همراه با پیاده‌سازی نرم‌افزاری متناسب، می‌توانند برای شبیه‌سازی ابرهای استراتوکومولوس دریایی به‌ویژه از نظر محاسباتی چالش‌برانگیز در شرایط مشاهده‌شده در طول مطالعه میدانی دینامیک و شیمی استراتوکومولوس دریایی (DYCOMS) استفاده شوند. این کد LES مبتنی بر TPU موفق، کاربرد TPU ها را با منابع محاسباتی بزرگ و اتصالات فشرده آنها برای شبیه سازی ابری نشان می دهد.

دقت مدل آب و هوا برای معیارهای مهم، مانند بارش یا تعادل انرژی در بالای جو، در 20 سال گذشته تقریباً 10٪ در هر دهه بهبود یافته است. هدف ما این است که این تحقیق با بهبود نمایش ابرها، امکان کاهش 50 درصدی خطاهای مدل آب و هوا را فراهم کند.

شبیه سازی گرداب های بزرگ در TPU ها

در این کار، ما بر روی ابرهای استراتوکومولوس تمرکز می‌کنیم که 20 درصد از اقیانوس‌های گرمسیری را پوشش می‌دهند و شایع‌ترین نوع ابر روی زمین هستند. مدل‌های آب و هوایی فعلی هنوز قادر به بازتولید رفتار ابر استراتوکومولوس به درستی نیستند، که یکی از بزرگترین منابع خطا در این مدل‌ها بوده است. کار ما حقیقت بسیار دقیق تری را برای مدل های آب و هوایی در مقیاس بزرگ ارائه می دهد.

شبیه‌سازی‌های ما از ابرها بر روی TPU‌ها، توان محاسباتی و مقیاس‌گذاری بی‌سابقه‌ای را نشان می‌دهند، به‌عنوان مثال، شبیه‌سازی ابرهای استراتوکومولوس با سرعت ۱۰× در طول تکامل زمان واقعی در مناطقی تا حدود ۳۵×۵۴ کیلومتر را ممکن می‌سازد.². چنین اندازه های دامنه نزدیک به سطح مقطع جعبه های شبکه مدل آب و هوای جهانی معمولی است. نتایج ما راه‌های جدیدی را برای آزمایش‌های محاسباتی و برای بزرگ‌تر کردن قابل ملاحظه نمونه LES در دسترس برای آموزش پارامترهای ابرها برای مدل‌های آب و هوای جهانی باز می‌کند.

رندر تکامل ابر از شبیه سازی 285×285×2 کیلومتر3 ورق ابر استراتوکومولوس این بزرگترین صفحه ابری در نوع خود است که تاکنون شبیه سازی شده است. ترک کرد: نمای مایل از میدان ابری که دوربین در حال حرکت است. درست: نمای بالای میدان ابری که دوربین به تدریج کنار گذاشته شده است.

کد LES در TensorFlow، یک پلت فرم نرم افزار منبع باز که توسط گوگل برای برنامه های کاربردی ML توسعه یافته است، نوشته شده است. این کد از محاسبات نمودار تنسورفلو و بهینه‌سازی جبر خطی شتاب (XLA) بهره می‌برد که بهره‌برداری کامل از سخت‌افزار TPU، از جمله اتصالات بین تراشه‌ای با سرعت بالا و تأخیر کم (ICI) را ممکن می‌سازد که به ما در دستیابی به این عملکرد بی‌سابقه کمک می‌کند. در عین حال، کد TensorFlow ترکیب اجزای ML را مستقیماً در حل کننده سیال مبتنی بر فیزیک آسان می کند.

ما کد را با شبیه‌سازی موارد آزمایش متعارف برای حل‌کننده‌های جریان جوی، مانند یک حباب شناور که در طبقه‌بندی خنثی بالا می‌آید، و یک حباب شناور منفی که فرو می‌رود و به سطح برخورد می‌کند، اعتبارسنجی کردیم. این موارد آزمایشی نشان می‌دهد که کد مبتنی بر TPU به‌طور صادقانه جریان‌ها را شبیه‌سازی می‌کند، و جزئیات آشفته‌تر و ظریف‌تر با افزایش وضوح ظاهر می‌شوند. آزمون های اعتبار سنجی به شبیه سازی شرایط در طول کمپین میدانی DYCOMS ختم می شود. کد مبتنی بر TPU به طور قابل اعتماد میدان‌های ابری و ویژگی‌های آشفتگی مشاهده‌شده توسط هواپیما در طی یک کمپین میدانی را بازتولید می‌کند – شاهکاری که به‌خاطر تغییرات سریع دما و سایر ویژگی‌های ترمودینامیکی در بالای عرشه‌های استراتوکومولوس، دستیابی به آن برای LES بسیار دشوار است.

یکی از موارد آزمایشی که برای اعتبارسنجی شبیه‌ساز TPU Cloud ما استفاده می‌شود. ساختارهای ریز ناشی از جریان چگالی ایجاد شده توسط حباب شناور منفی که به سطح برخورد می کند، با یک شبکه با وضوح بالا (10 متر، ردیف پایین) در مقایسه با یک شبکه با وضوح پایین (200 متر، ردیف بالا) بسیار بهتر حل می شوند.

چشم انداز

با ایجاد این پایه، هدف بعدی ما بزرگ کردن قابل ملاحظه پایگاه‌های داده موجود از شبیه‌سازی‌های ابری با وضوح بالا است که محققانی که مدل‌های آب و هوایی می‌سازند می‌توانند از آن برای توسعه پارامترهای ابری بهتر استفاده کنند – چه برای مدل‌های مبتنی بر فیزیک، چه مدل‌های ML یا ترکیبی از این دو. . این نیاز به فرآیندهای فیزیکی اضافی فراتر از آنچه در مقاله توضیح داده شده است. به عنوان مثال، نیاز به ادغام فرآیندهای انتقال تابشی در کد. هدف ما تولید داده در انواع مختلف ابرها، به عنوان مثال، ابرهای رعد و برق است.

رندر شبیه سازی رعد و برق با استفاده از شبیه ساز مشابه کار شبیه سازی استراتوکومولوس. بارندگی را می توان در نزدیکی زمین نیز مشاهده کرد.

این کار نشان می‌دهد که چگونه پیشرفت‌های سخت‌افزاری برای ML می‌تواند به‌طور شگفت‌انگیزی مؤثر باشد که در سایر زمینه‌های تحقیقاتی مجدداً مورد استفاده قرار گیرد – در این مورد، مدل‌سازی آب و هوا. این شبیه‌سازی‌ها داده‌های آموزشی دقیقی را برای فرآیندهایی مانند آشفتگی درون ابری ارائه می‌دهند، که مستقیماً قابل مشاهده نیستند، اما برای مدل‌سازی و پیش‌بینی آب و هوا بسیار مهم هستند.

سپاسگزاریها

مایلیم از نویسندگان همکار مقاله: شید چاماس، چینگ وانگ، ماتیاس ایهمه و جان اندرسون تشکر کنیم. ما همچنین می‌خواهیم از کارلا برومبرگ، راب کارور، فی شا و تایلر راسل برای بینش و مشارکت‌شان در این کار تشکر کنیم.