[논문 리뷰] ACE: A fast, skillful learned global atmospheric model for climate prediction

Oliver Watt‐Meyer, Brian Henn외 4명|arXiv (Cornell University)|2023. 10. 03.

Meteorological Phenomena and Simulations인용 수 29

한 줄 요약

ACE는 200M 매개변수의 SFNO 기반 100-km 글로벌 대기 모델 에뮬레이터로, 실행 속도를 100배 빠르게 하고 수분 보존에 근접하며, 안정적인 100-year forecasts와 강한 기후 충실도를 달성합니다.

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.

연구 동기 및 목표

• 신경 에뮬레이터가 장기적으로 물리적으로 일관된 기후 예측을 제공할 수 있음을 Demonstrate합니다.
• 장기간 시뮬레이션(최대 100년)에서 안정성과 수분의 거의 보존을 보여줍니다.
• 표준 강제 하에서 ACE가 기준 물리 기반 모델의 기후를 재현하는 능력을 평가합니다.
• 훈련 분포 밖의 보이지 않는 해수면 온도(SST) 강제에 대한 일반화와 더 거친 기준선과의 비교를 평가합니다.

제안 방법

• 구면 푸리에 신경망 연산자(SFNO)를 사용하여 100 km 글로벌 격자에서 6시간 앞으로의 대기 상태를 예측합니다.
• 연간 반복 SST 및 고정 온실가스 조건을 사용하는 10년치 데이터로 11-멤버 FV3GFS 참조 앙상블에서 학습합니다.
• 수분 보존과 같은 물리적 제약을 가능하게 하기 위해 예측 변수들을 예측/강제 입력/진단 출력으로 분류합니다.
• 잔차 스케일링을 적용하여 변수들을 정규화하고 예측 오차가 손실에 기여하는 방식이 필드 간에 동등하게 되도록 합니다.
• 시간 의존적 전 세계 평균, RMSE, 편향을 2배 더 거친 FV3GFS 기준선 및 참조 에뮬레이터와 비교하여 평가합니다.
• 훈련 분포 밖의 과거 SST 강제에 대한 제로샷 일반화를 탐구하고 100년 예측에서의 안정성을 평가합니다.

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.

실험 결과

연구 질문

• RQ1 ACE가 100 km 해상도에서 다수 변수에 걸쳐 참조 물리 기반 대기 모델의 기후를 재현할 수 있는가?
• RQ2 ACE가 최소한의 명시적 제약만으로 장기 안정성과 수분 보존을 유지하는가?
• RQ3 주요 기후 지표에서 ACE의 성능은 2x 더 거친 FV3GFS 기준선에 비해 어떠한가?
• RQ4 훈련 분포를 벗어난 보이지 않는 해수면 온도 강제에 대해 ACE는 강건한가?
• RQ5 참조 모델에 비해 ACE의 계산 및 에너지 효율은 어느 정도인가?

주요 결과

• ACE는 최소 100년간의 안정적인 시뮬레이션을 달성하고 표층 온도 및 전체 수증 운반 경로에서 계절 주기를 재현합니다.
• ACE는 2x 더 거친 기준선 대비 44개 출력 변수 중 41개에서 글로벌 RMSE를 감소시킵니다.
• ACE는 거의 열량 보존에 가까운 열량 보급을 보이며, 전 지구 수분 예산은 일반적인 강수/증발 규모에 비해 작은 위반을 보입니다.
• ACE는 일반 자원하에서 참조 FV3GFS 모델보다 대략 100배 빠르고 약 100배 더 적은 에너지를 사용합니다.
• 역사적 SST 데이터로의 제로샷 강제가 안정성을 보여주었지만, 몇 가지 편향(예: 차가운 육지 온도)이 나타나지만 전반적으로 RMSE와 편향은 완만합니다.
• 대부분의 출력에서 ACE가 기준선보다 시간 평균 RMSE가 더 낮습니다(그림 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 ).