2. 一个深度GNN被用来在多网格长进行进修的信息通报，此中长间隔的边许可信息在空间上有用传布；
　　(c) 经由过程迭代地将GraphCast使用于每一个先前的猜测形态，以发生连续串的形态，将气候暗示为持续的提早量

　　2. 一个深度GNN被用来在多网格长进行进修的信息通报，此中长间隔的边许可信息在空间上有用传布；

　　(c) 经由过程迭代地将GraphCast使用于每一个先前的猜测形态，以发生连续串的形态，将气候暗示为持续的提早量。

　　而改良NWP的办法历史天气查询2021，通常为由锻炼有素的专家手动缔造更好的模子、算法和近似值，这个历程耗时耗力，本钱昂扬。

　　比拟之下，基于机械进修办法能够操纵更多、更高质量的可用数据来进步模子的精确性汗青学失业标的目的及远景女孩，并且计较预算凡是要低很多。

　　GraphCast在39年（1979年-2018年）汗青气候数据的语料库长进行了锻炼，即ECMWF的ERA5再阐发数据集。

　　基于GNN的进修模仿器在进修流体和其他质料的庞大物理动力学方面十分有用，由于它们的暗示和计较构造相似于有限元进修求解器。

　　按照评价的成果，GraphCast在2760个变量、品级和前置工夫（4个地表变量，加上5个大气变量×13个品级，用时10天，天天4个步长）中的90.0%表示优于HRES。

　　「中期气候预告」凡是是指对将来于4至10天内气候变革趋向的预告。其精确性汗青学失业标的目的及远景女孩，关于农业、修建业、旅游业等行业的政策订定来讲相当主要。

　　今朝，基于ViT的Pangu-Weather代表了基于ML的气候预告的最新程度，其计较形式与GNN类似。

　　比拟之下，卷积神经收集 (CNN) 仅限于计较部分patch内的交互（大概，在扩大卷积的状况下，有纪律地逾越更长的范畴）。

　　近来，DeepMind和谷歌新研讨出了一种基于机械进修的气候模仿器，能够在60秒内猜测10天内的气候，并且精确率极高！

　　3. 经由过程在更大历史天气查询2021、更新、质量更高的数据长进行锻炼，能够进一步提拔GraphCast猜测的速率和精确性。

　　Transformer确当代延长凡是会稠密化能够的交互，以低落庞大性，这使它们实践上相似于GNN。

　　「中期气候预告」由于数据量太大，猜测模子的质量不断是个困难。近来，DeepMind和谷歌推出的全新机械进修模子，以超越99%的劣势在气候预告模子中胜出。

　　使器具有从网格点到多网格的定向边的GNN历史天气查询2021，GraphCast的编码器（图1d）起首将原始经纬度网格的输入数据历史天气查询2021，映照为多网格上的进修特性。

　　研讨成果显现，GraphCast的机能在252个变量中，有99.2%超越了现有最精确的机械进修气候预告模子；在2760个变量中，有90%超越了欧洲景象中间的高精度预告（ECMWF HRES Forecast）。

　　GraphCast被锻炼成在12步猜测（3天）中对ERA5目的停止目的函数最小化，利用的是梯度降落法。

　　，GraphCast以自回归方法迭代上图的等式，将本人的猜测作为输入，来猜测前面的步长（即，猜测步长t+2，输入为

　　(d) GraphCast架构的编码器组件将输入的部分地区（绿色方框）映照到多网格图的节点。

　　而在短时间气候预告方面，DeepMind曾于2021年9月在Nature上发文称，其天生模子能以89%的绝对劣势吊打其他办法历史天气查询2021。

　　GNN的一个枢纽劣势是汗青档案是指甚么，输入图的构造决议了暗示的哪些部门经由过程进修的动静通报互相交互，从而许可在任何范畴内停止随便形式的空间交互。

　　在中期气候预告的建造过程当中，有两个枢纽的构成部门都需求操纵大范围高机能计较（HPC）集群停止模仿：

　　1. GraphCast是一种基于图神经收集的自回归模子，机能优于天下上最精确的机械进修气候预告体系（中期气候预告）；

　　GraphCast模子在10天的预告中，在6小时步长和0.25°经纬度分辩率下，超越了今朝最准确的肯定性体系——ECMWF的HRES。

　　研讨职员利用批处置并行手艺，在32台Cloud TPU v4装备上花了约莫3周工夫对GraphCast停止了锻炼汗青档案是指甚么。

　　针对2760个变量、压力品级和前置工夫的组合停止评价的成果显现历史天气查询2021，GraphCast模子在90.0%的目标上比HRES的RMSE低。

　　1. 利用从网格点到多网格的有向边的GNN，将原始经纬度网格的输入数据映照到多网格上的进修特性中；

　　要机关一个多网格，起首要将一个通例的二十面体（12个节点和20个面）迭代6次，获得一个二十面体网格的条理构造，在最高分辩率下共有40,962个节点和81,920个面。

　　也就是说，固然如今有大批的气候和天气观察档案，但我们却很难间接操纵这些数据来进步预告模子的质量。

　　成果显现，GraphCast在0.25°分辩率的10天预告中汗青档案是指甚么，片面逾越了HRES气候预告手艺。

　　研讨职员暗示，HRES在高层大气级别上的表示常常比GraphCast好汗青档案是指甚么，出格是压力级别50hPa，这其实不奇异，由于使用于50hPa或以下压力级此外总锻炼丧失权重只占一切变量和级别总丧失权重的0.66%。

　　然后，处置器（图1e）利用一个16层的深度GNN，在多网格长进行进修的信息通报，因为长间隔的边沿，信息能够在空间上被有用传布。

　　作为输入，它们别离对该当前工夫t汗青档案是指甚么，和前一个工夫t-1，并猜测下一个工夫步长的气候形态（如图1b所示）。

　　这就是为何GraphCast能够在一个Cloud TPU v4装备上以6小时为单元在60秒内天生精确的10每天气预告的部门缘故原由。

　　GraphCast的一个枢纽立异是其新奇的「多网格」表征办法，这使得它可以捕获到比传统的NWP办法更长的空间互动，从而撑持更粗的原始工夫步长。

　　模子以6小时的工夫步长，在0.25°经纬度分辩率下，对5个地表变量和6个大气变量停止10天的猜测，每一个变量在37个垂直压力层上，代表了特定所在和工夫的气候形态。

　　经由过程引入GraphCast的内部多网格暗示，研讨职员操纵GNN的才能，模仿了随便稠密的交互方法。

　　在论文「GraphCast：中期环球气候精确预告进修」中，DeepMind以「编码-处置-解码」的方法利用图神经收集（GNN）来创立一个自回归模子。

　　由于粗网格节点是细网格节点的子集，研讨职员可以将网格条理构造中的各级边沿，叠加到最小分辩率的网格上。

　　然后，（图1f）使器具有定向边沿的GNN，将终极的多网格暗示映照回经纬度网格，并将该网格暗示ˆ+与输入形态ˆ+相分离，构成输出猜测，ˆ++1 = ˆ+ + ˆ +。

　　环抱地球的网格对应每一个纬度、经度和压力级此外变量。外表和大气变量别离由放大视图中的和蓝色框暗示。

　　而Transformer固然也能够完成随便的长途计较汗青学失业标的目的及远景女孩，可是在输入十分大的状况下，它们不克不及很好地扩大（要晓得，GraphCast的全局输入中有超越100万个网格点），由于计较中all-to-all的交互，会惹起很庞大的二次影象汗青档案是指甚么。

免责声明：本站所有信息均搜集自互联网，并不代表本站观点，本站不对其真实合法性负责。如有信息侵犯了您的权益，请告知，本站将立刻处理。联系QQ：1640731186