[論文レビュー] ACE: A fast, skillful learned global atmospheric model for climate prediction

Oliver Watt‐Meyer, Brian Henn+4 more|arXiv (Cornell University)|Oct 3, 2023

Meteorological Phenomena and Simulations被引用数 29

ひとこと要約

ACE は 200M パラメータの SFNO ベースのエミュレータで、100km グローバル大気モデルを模倣し、実行時間を 100 倍高速化し、含水量のほぼ保存を達成し、安定した 100 年予報と強い気候忠実度を実現します。

ABSTRACT

Dataset for Ai2 Climate Emulator This dataset contains a minimal example set of files and configuration to use for inference with the Ai2 Climate Emulator (ACE). Please see https://github.com/ai2cm/ace to install the necessary software. The included checkpoint is the same ace checkpoint as referenced in (https://zenodo.org/records/10791087). See README.md for a description of the included files.v1.1: The initial condition zarr stores were erroneously missing all values in the first upload. These files have been fixed in this update.

研究の動機と目的

• 神経エミュレータが長期的で物理的に一貫した気候予測を提供できることを実証する。
• 長期間のシミュレーション（最大 100 年）で安定性と含水量のほぼ保存を示す。
• 標準強 forcing の下で参照物理ベースモデルの気候を ACE が再現する能力を評価する。
• 見慣れない海面水温 forcing への一般化能力を評価し、より粗いベースラインと比較する。

提案手法

• 球面フーリエ神経演算子（SFNO）を用いて 100 km グローバルグリッド上の 6 時間先の大気状態を予測する。
• 10 年分のデータを用いた 11 メンバー FV3GFS 参照アンサンブルで訓練する。 SST は年ごとに繰り返され、温室劃入/ガス条件は固定とする。
• 含水量の保存などの物理制約を可能にするため、変数を予測量/出力、 forcing inputs、診断出力に分類する。
• 残差スケーリングを適用して変数を正規化し、予測誤差がフィールド間で同様に損失に寄与するようにする。
• 時間依存の全球平均、RMSE、バイアスを、2 倍粗い FV3GFS ベースラインおよび参照エミュレータと比較して評価する。
• 訓練分布外の歴史 SST forcing へのゼロショット一般化を探索し、100 年予報における安定性を評価する。

Figure 1: Global mean timeseries of (top) near-surface air temperature $T_{7}$ and (bottom) total water path computed as $\mathrm{TWP}=\frac{1}{g}\sum_{k}q_{k}^{T}\,dp_{k}$ . For clarity, the daily average is plotted.

実験結果

リサーチクエスチョン

• RQ1 ACE は 100 km 解像度で複数の変数の気候を参照の物理ベース大気モデルと再現できるか。
• RQ2 ACE は長期の安定性を維持し、明確な制約を最小限に抑えつつ列モーションを保存できるか。
• RQ3 主要な気候指標において ACE は 2 倍粗い FV3GFS ベースラインと比較してどのように性能するか。
• RQ4 ACE は訓練分布外の未知の海面水温 forcing に対して頑健か。
• RQ5 参照モデルと比較したときの ACE の計算・エネルギー効率はどうか。

主な発見

• ACE は少なくとも 100 年の安定したシミュレーションを達成し、近表層温度と総水蒸量経路の季節変化を再現する。
• ACE は 2 倍粗いベースラインと比較して 44 個の出力変数のうち 41 個で全球 RMSE を低減させる。
• ACE は列モ moisture をほぼ保存し、全球の水分収支は一般的な降水/蒸発スケールに対して小さな違反を示す。
• ACE は参照 FV3GFS モデルに比べて約 100 倍速く動作し、エネルギー消費も約 100 倍少ない。
• 歴史 SST データを用いたゼロショット forcing は安定性を示すが、例えば寒冷な陸地温度などのいくつかのバイアスがあるものの、全体として RMSE およびバイアスは控えめ。
• ほとんどの出力で ACE の時間平均 RMSE がベースラインより小さいことを示す（図7）。

Figure 2: 10-year mean bias in surface precipitation rate. Titles show global and time-mean RMSE and bias in units of mm/day (Equations 6 and 7 ).