皮皮虾科普网

皮皮虾科普网
分享国内外科学知识
皮皮虾科普网-国内外科学-科技-科普

物理科学家转向深度学习来改善地球系统建模

更新时间:2020-09-16 00:56点击:

  深度学习在科学中的作用正处于一个转折点,天气,气候和地球系统建模正在成为具有物理知识的深度学习的令人兴奋的应用领域,可以更有效地识别大型数据集中的非线性关系,提取模式,模拟复杂物理过程,并建立预测模型。

物理科学家转向深度学习来改善地球系统建模

  数据与分析服务小组的计算机科学家兼工程师Karthik Kashinath说:“深度学习在某些非常具有挑战性的问题上取得了空前的成功,但是科学家们想确切地了解这些模型是如何工作的以及它们为什么要这样做。美国国家能源研究科学计算中心(NERSC)的DAS),他深入参与了NERSC在这一领域的研究和教育工作。“科学深度学习的一个关键目标是如何设计和训练神经网络,以便它可以准确捕获要建模的过程的复杂性,模拟或预测,我们正在开发将物理和领域知识注入这些神经网络的方法,以使它们遵守自然法则,其结果是可解释的,可靠的和可信赖的。”

  在地球系统人工智能(AI4ESS)暑期学校之后,我们赶上了Kashinath,这是由美国国家大气研究中心(NCAR)和大学大气研究公司(UCAR)在6月举办的为期一周的虚拟活动,来自世界各地的2,400多名研究人员参加了会议。Kashinath以及NCAR的David John Gagne和Rich Loft参与了活动的组织和介绍。Kashinath当前的许多研究都集中在深度学习方法在气候和地球系统建模中的应用。

  近年来,我们已经看到在科学中深度学习的使用有了显着增长,不仅是增加,增强或替换现有方法,而且还发现了物理学,化学,生物学,医学等领域的新科学。传统的统计方法几乎是不可能的。我们现在开始在地球科学中看到同样的情况,诸如《地球物理研究快报》和《自然地球科学》等期刊上的出版物数量不断增加,而现在的科学会议则涵盖了涉及机器和深度学习的整个轨道。

  它在模式识别和发现大型数据集中存在的非常复杂的非线性关系方面非常强大,这两者对于开发地球科学系统的模型至关重要。天气或气候建模者的主要目标是了解自然过程的运行方式,并以有效的方式对其进行建模,以便我们可以预测气候变化和极端天气事件的未来。深度学习提供了一种使用现有数据来理解这些流程如何运行并为其开发模型的新方法,该方法不仅准确,有效,而且计算速度也比传统方法快得多。传统上,气候和天气模型会求解耦合非线性偏微分方程的大型系统,这在计算上非常费力。深度学习开始使用非常高效和快速的物理过程仿真器来增强,增强甚至替换这些模型的某些部分。这是向前迈出的重要一步。

  模式识别是深度学习影响地球系统研究的另一个领域。NERSC的DAS小组一直在努力进行模式识别,以检测和跟踪大型数据集中的天气和气候模式。2018年的戈登·贝尔因使用深度学习进行百亿分之一秒的气候分析而获奖,证明了我们在该领域的贡献。鉴于我们已经有PB级的气候数据,并且以惊人的速度增长,因此在物理上不可能使用传统的统计方法筛选和识别关键特征和模式。深度学习提供了非常快速的方法来挖掘数据并提取有用的信息,例如极端天气模式。

  第三方面是缩小规模。也就是说,在给定低分辨率数据集的情况下,您如何生成非常高分辨率的数据,而这些数据对于诸如计划之类的事情尤其是在区域和地方范围内是必需的?气候科学面临的重大挑战之一就是如何建立非常精确的高分辨率模型,并生成可以可靠使用的数据。解决该问题的一种方法是说好吧,我们知道这些模型非常昂贵,并且在可预见的将来,即使更快,更好地使用计算吸气剂,我们也将无法在全球范围内建立可靠的全球气候模型。 1 km或更精细的空间分辨率。因此,如果我们可以创建一个采用低分辨率气候数据并生成在物理上有意义,可靠且准确的高分辨率数据的深度学习模型,那么这将改变游戏规则。

  我来自流体动力学领域,对湍流建模是一项长期的挑战。大气科学中的类似挑战是对云进行建模。所有气候模型都有参数化-气候模型中的组件,描述各种物理过程的行为方式以及如何相互影响。在大气中,包括云的形成方式,辐射的工作方式,何时何地发生降水等。众所周知,云模型是气候模型预测中最大的不确定性来源,而且数十年来最大的挑战之一是如何减少不确定性。模型已经变得更加复杂,并捕获了更多的物理现象,但是它们的预测仍然存在很大的不确定性。因此,深度学习可能会产生重大影响的一个领域是帮助我们构建更好的大气过程仿真器(例如云),以减少预测的不确定性。这是一个非常具体的科学目标。

  我们从科学界得到的主要反对意见是神经网络是难以理解和解释的黑匣子,科学家显然希望确切地了解这些神经网络如何工作以及它们为什么做自己的事情。因此,令我感到非常兴奋的是,开发出更好的方法来解释和理解这些网络,并将我们对地球系统物理的了解纳入这些模型中,从而使它们更健壮,可靠,可信赖,可解释,可解释,和透明。目的是让自己相信这些模型的行为方式尊重自然物理学,有效地利用了我们所拥有的领域知识,并做出了我们可以信赖的预测。我被邀请向提交论文皇家学会有关这一主题的论文,“天气和气候建模的物理信息深度学习”,目前正在接受审查。

  我还为能在运行中证明这些深度学习模型提供了计算速度而感到兴奋,我们声称将它们嵌入大型气候或天气模型后会提供这些计算速度。例如,欧洲天气预报中心已开始用机器和深度学习模型替换其天气预报模型的某些部分,并且它们已经开始看到收益。在美国,NCAR和国家海洋与大气管理局也开始用机器学习和深度学习模型替换其部分气候和天气模型,并且许多基于学术和行业的研究小组正在开展相关项目。克里斯·布雷瑟顿(Chris Bretherton),世界领先的气候科学家之一,华盛顿大学的一个小组的负责人,他们正在用深度学习方法来代替这些大型气候模型中的一些复杂的云过程。因此,我很期待看到他们在一两年内在加速和性能方面取得的成果。

  人工智能地球系统科学(AI4ESS)暑期学校专注于参与者如何增强其统计学和机器学习背景,学习深度学习和神经网络的基础知识以及学习如何将其用于解决地球系统科学中的难题。我们对学校的反应是压倒性的,这本来是在科罗拉多州博尔德举行的面对面的活动,可容纳80名学生。但是一旦虚拟化,我们将有来自全球40个国家的2400名与会者。它通过UCAR进行了实时流式传输,并跟踪了每日登录情况。

  整个星期都有很大的参与。我们每天都会邀请来自机器学习,深度学习和地球科学专家的演讲者-每天三堂课,一周则有15堂课。每天午餐时间都有30分钟的小组讨论,对我来说,这些让我非常激动,因为所有这些专家都在讨论和辩论将机器学习和深度学习用于地球系统科学的挑战和机遇。学校还举行了为期一周的黑客马拉松,每个小组由六人组成的小组从六个不同的问题中选择一个项目进行本周的研究。大约有500人参加了这次黑客马拉松,他们之间进行了大量的协作和互动,包括每个黑客马拉松团队各自的Slack渠道。

  我认为社区,尤其是年轻的科学家们,认为深度学习可以改变科学,改变游戏规则,他们不想被抛在后面。他们认为,这将很快成为主流,并且对进行科学必不可少。那是主要的动机。因此,AI4ESS专注于教授基础知识,并为他们奠定基础,以开始将机器和深度学习成功地应用于他们的研究。


物理科学家转向深度学习来改善地球系统建模