[논문 리뷰] LUCIE: A Lightweight Uncoupled ClImate Emulator with long-term stability and physical consistency for O(1000)-member ensembles

Haiwen Guan, Troy Arcomano외 2명|arXiv (Cornell University)|2024. 05. 25.

Advanced Data Storage Technologies인용 수 4

한 줄 요약

LUCIE는 구면 푸리에 신경 연산자(SFNO) 기반의 경량이며 물리적으로 일관되고 장기적으로 안정적인 기후 시뮬레이터로, 단일 A100 GPU에서 2.4시간 내에 9.5년 분량의 해상도가 낮은 ERA5 데이터를 훈련하여 5년 자동회귀 시뮬레이션 동안 안정적인 1000인치 앙상블을 생성한다. 외부 해수면 온도(SST) 강제나 비물리적 드리프트 없이도 정확한 기후학, 초기기후 예측 및 스펙트럼 구조 유지가 가능하다.

ABSTRACT

We present a lightweight, easy-to-train, low-resolution, fully data-driven climate emulator, LUCIE, that can be trained on as low as $2$ years of $6$-hourly ERA5 data. Unlike most state-of-the-art AI weather models, LUCIE remains stable and physically consistent for $100$ years of autoregressive simulation with $100$ ensemble members. Long-term mean climatology from LUCIE's simulation of temperature, wind, precipitation, and humidity matches that of ERA5 data, along with the variability. We further demonstrate how well extreme weather events and their return periods can be estimated from a large ensemble of long-term simulations. We further discuss an improved training strategy with a hard-constrained first-order integrator to suppress autoregressive error growth, a novel spectral regularization strategy to better capture fine-scale dynamics, and finally an optimization algorithm that enables data-limited (as low as $2$ years of $6$-hourly data) training of the emulator without losing stability and physical consistency. Finally, we provide a scaling experiment to compare the long-term bias of LUCIE with respect to the number of training samples. Importantly, LUCIE is an easy to use model that can be trained in just $2.4$h on a single A-100 GPU, allowing for multiple experiments that can explore important scientific questions that could be answered with large ensembles of long-term simulations, e.g., the impact of different variables on the simulation, dynamic response to external forcing, and estimation of extreme weather events, amongst others.

연구 동기 및 목표

• 외부 SST 강제 없이 수천 년에 걸쳐 비물리적 드리프트 없이 장기 기후학적 안정성을 유지하는 계산 효율적이고 데이터 기반의 대기 시뮬레이터를 개발하는 것.
• 기후 예측의 불확실성 정량화 및 극단 기상 사건 분석을 위한 대규모 앙상블 시뮬레이션(O(1000) 명원)을 가능하게 하는 것.
• 결합 모델에서 유도된 외부 해수면 온도(SST)를 의존하지 않고도 시뮬레이션된 기후의 물리적 일관성을 확보하는 것.
• 장기 자동회귀 추론 동안의 초기기후 예측 능력과 자장 풍 및 온도의 스펙트럼 정밀도를 입증하는 것.
• 최소한의 계산 비용으로 모델 행동, 가상 시나리오, 변수 민감도에 대한 과학적 탐구를 위한 빠른 프로토타이핑 도구를 제공하는 것.

제안 방법

• 구면 헬름홀트 변환(SHT)을 활용한 구면 푸리에 신경 연산자(SFNO) 아키텍처를 사용하여 구면 상의 격자 기반 학습을 수행한다.
• 스킵 연결과 학습 가능한 위치 임베딩을 갖춘 2차원 컨volution 인코더-디코더를 활용하여 공간 인식 능력과 기울기 흐름을 향상시킨다.
• 초기 조건을 ERA5 데이터에서 추출한 1000인치 앙상블을 사용하여 5년간 자동회귀 추론을 수행한다.
• 표면 온도, 수증기 밀도, 동서 풍, 위도 풍을 포함한 4개의 진전 변수를 사용하여 해상도가 낮은(T30) ERA5 데이터로 훈련한다.
• 시간에 따라 변화하는 총 일사 복사량(TISR)을 입력으로 사용하지만 외부 SST를 강제로 적용하지 않아서 별도의 연계 작동이 가능하다.
• 스펙트럼 정규화를 포함한 평균 제곱 오차 손실을 사용하여 파wer 스펙트럼을 유지하고 고파르수 오차를 감소시킨다.

실험 결과

연구 질문

• RQ1 데이터 기반의 대기 시뮬레이터가 외부 SST 강제 없이 수천 년에 걸쳐 장기 기후학적 안정성을 유지할 수 있는가?
• RQ2 LUCIE는 1000인치 앙상블에서 참조 ERA5 기후학과 연주기적 표면 온도 변화를 얼마나 정확히 재현하는가?
• RQ3 LUCIE는 5년 자동회귀 추론 동안 자장 풍 스펙트럼을 참조 ERA5와 비교해 얼마나 잘 유지하는가?
• RQ4 LUCIE의 초기기후 예측 능력은 1000개의 앙상블 멤버에서 어떻게 평가되며, 지속성 기반 기준과 비교해 볼 때 어떤가?
• RQ5 단일 GPU에서 3시간 이내에 효율적으로 훈련되면서도 물리적 일관성과 스펙트럼 정밀도를 유지할 수 있는가?

주요 결과

• LUCIE는 ERA5 기준 기후학과 매우 유사한 5년 앙상블 기후학을 생성하며, 작은 편향과 정확한 표면 온도 연주기 표현을 보인다.
• LUCIE에서 유도된 자장 풍 스펙트럼은 5년 동안 참조 ERA5와 비교해 대부분의 스펙트럼 구조를 유지하며, 특히 대규모 스케일에서의 편차가 최소화된다.
• LUCIE의 초기기후 예측 능력은 모든 진전 변수에서 단순 지속성 기반 기준을 뛰어넘으며, 50개의 초기 조건에서 낮은 불확실성 분포를 보인다.
• LUCIE는 1000년 분량의 단일 멤버 시뮬레이션에서도 장기적 안정성을 유지하며, 기후학적 드리프트가 최소화되어 있어 5년 앙상블 연구를 초월한 강건성을 입증한다.
• 단지 9.5년 분량의 해상도가 낮은 ERA5 데이터로 훈련되었음에도 불구하고, LUCIE는 외부 SST나 결합된 해양 모델 없이도 물리적 일관성과 스펙트럼 정밀도를 확보한다.
• 단일 A100 GPU에서 단지 2.4시간의 훈련으로 이러한 결과를 달성하여, 불확실성 정량화를 위한 빠른 프로토타이핑과 대규모 앙상블 생성을 가능하게 한다.