ИИ моделирует 100 лет климата за 25 часов: прорыв Spherical DYffusion

Что такое Spherical DYffusion?

Spherical DYffusion — это инновационная архитектура нейронной сети, сочетающая достижения в области генеративного ИИ с специализированной математикой для работы со сферическими координатами Земли. Модель была представлена на конференции NeurIPS 2024 и построена на основе успешного подхода DYffusion, расширенного со сферическими операторами Фурье (Spherical Fourier Neural Operator).

Главное инновационное решение заключается в том, что модель работает непосредственно с географическими координатами планеты, а не требует преобразования данных в прямоугольную систему координат. Это позволяет избежать искажений на полюсах Земли и повышает точность предсказаний.

Как работает технология

Традиционное климатическое моделирование требует огромных вычислительных ресурсов. Суперкомпьютеры должны решать сложные дифференциальные уравнения, описывающие атмосферную динамику, океанские течения и множество других физических процессов. Такие расчёты могут занимать недели или месяцы даже на самых мощных машинах.

Spherical DYffusion использует принципы генеративного ИИ для прямого предсказания будущего состояния климата, минуя необходимость в прямом расчёте всех физических процессов. Модель обучена на исторических данных и может экстраполировать будущие состояния с высокой точностью.

Важно отметить, что эта модель работает на обычных GPU-кластерах, а не на суперкомпьютерах. Это означает, что климатические исследования становятся доступнее для университетов и научных центров во всём мире, которые не могут позволить себе доступ к самым дорогим суперкомпьютерам.

Преимущества и ограничения

Применение в науке

Ускорение климатического моделирования открывает множество новых возможностей для исследователей:

Контекст исследований

Это исследование является частью более широкого движения в сторону использования машинного обучения и ИИ для решения задач климатического моделирования. Allen Institute for AI (Ai2) уже давно работает над применением ИИ к научным проблемам, а сотрудничество с UC San Diego привнесло специализированные знания в области климатической науки и географических информационных систем.

Использование сферических операторов Фурье было смелым решением, которое показало, что дизайн архитектуры нейронной сети в соответствии с геометрией задачи может привести к значительному улучшению производительности. Этот подход может быть применён к другим задачам, где данные имеют естественную сферическую или иную неевклидову геометрию.

Будущие направления

Исследователи уже работают над расширением технологии. Планируется увеличить разрешение модели для более точного прогнозирования локальных климатических эффектов, интегрировать больше физических констант и давления, а также совместить подход с традиционными методами для получения лучших результатов.

Очень перспективным направлением является использование таких моделей для анализа влияния различных политических мер на климат в режиме реального времени, что может помочь в принятии более эффективных решений по борьбе с глобальным потеплением.