[论文解读] 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 29

一句话总结

ACE 是一个基于 SFNO 的、200M 参数的全球100公里大气模型的仿真器，实现 100x 的运行速度提升，并在水汽守恒方面接近保守，具有稳定的100年预报和强烈的气候保真度。

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.

研究动机与目标

• 证明一个神经拟合器可以提供长期、物理上一致的气候预测。
• 在长期模拟（高达100年）中展示稳定性和近似水分守恒。
• 评估 ACE 在标准强迫下再现参考基于物理的模型的气候能力。
• 评估对看不见的海面温度强迫的泛化能力，并与更粗基线进行比较。

提出的方法

• 使用球面傅里叶神经算子（SFNO）在全球100公里网格上预测6小时后的大气状态。
• 在11成员FV3GFS参考集合的10年数据上进行训练，使用每年重复的 SST 和固定的温室气体条件。
• 将变量分为预报输入/输出、强迫输入和诊断输出，以便实现如水分守恒等物理约束。
• 应用残差缩放以归一化变量，使预测误差在各场之间的损失贡献相等。
• 使用随时间的全球均值、RMSE 和偏差对比2倍粗的FV3GFS基线以及参考仿真器进行评估。
• 探索对历史 SST 强迫的零-shot 泛化并评估100年预报的稳定性。

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.

实验结果

研究问题

• RQ1 ACE 是否能够在100公里分辨率下再现参考物理模型的大气气候，涉及多种变量？
• RQ2 ACE 是否在长期稳定性和最小显式约束下保持柱状水分守恒？
• RQ3 在关键气候指标上，ACE 相较于2倍粗的 FV3GFS 基线的表现如何？
• RQ4 ACE 对看不见的海表温度强迫是否具有鲁棒性，超出其训练分布范围？
• RQ5 相较于参考模型，ACE 的计算和能耗效率是多少？

主要发现

• ACE 在至少100年的稳定模拟中保持稳定，并再现近地面温度和总水汽路径的季节性循环。
• ACE 相对于2倍粗基线，在44个输出变量中有41个的全球 RMSE 降低。
• ACE 在柱状水分方面近似守恒；全球水分预算相对于通常的降水/蒸发规模显示出较小的偏差。
• ACE 的运行速度大约比参考FV3GFS快100倍，能耗约低100倍，且在典型资源下表现良好。
• 对历史 SST 数据的零-shot 强迫显示出稳定性，存在一些偏差（如陆地温度偏冷），但总体 RMSE 和偏差适中。
• 大多数输出的时均 RMSE 显示 ACE 相较基线具有更低的时间平均误差（见图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 ).