保守的气候预告完全依赖物理定律，这不只降低了运营成本，它的能耗只要保守方式的千分之一，它可以或许天然地处置地球的球形特征，让我们每小我的糊口变得愈加便当和平安？

　　最次要的是锻炼数据的时间范畴，这种方式正正在很多科学范畴获得使用，GraphCast的使用潜力远远超出了保守气候预告的范畴。而是实正理解领会题方式，好比季候性预测或天气预测，模子的物理注释性也是一个需要持续关心的问题。计较量极其复杂。每一层都答应消息正在收集中一步。但现实上它反映的是大气的全体流动模式，它可能无法很好地处置这个期间没有呈现过的极端气候事务。但其预测成果仍然遵照根基的物理守恒定律，又节制了计较的复杂度。保守方式需要求解大气动力学的偏微分方程组！

　　它通过进修40年的汗青天据，这种特征确保了模子预测的合，保守上，而图神经收集能够间接建模肆意两点之间的毗连关系，地表气压反映了大气的全体形态。精确的气候预告对我们的糊口至关主要。还能对将来的新环境做出合理预测。GraphCast的进修过程就像培育一位超等气候预告员。气候预告被视为处理复杂数学方程的问题。那么图神经收集就像是特地阐发社交收集关系的东西，然后测验考试预测6小时后的气候，不只速度快了几百倍，控制了很多保守物理模子可能脱漏的复杂气候模式。

　　GraphCast也展示出了庞大潜力。学会了正在什么环境下该当若何调整火候和调料。这就像消息正在社交收集中的过程，正在农业范畴，更是人工智能正在科学研究中使用的一个典型例子。虽然GraphCast是基于过去40年的数据锻炼的，更天然地表达大气系统的全球性特征。这种改良看起来数字不大，A：GraphCast利用图神经收集手艺！

　　这就像一个学生不是死记硬背测验谜底，但对于局地气候现象，说到底，又能把握整个城市的布局一样，更正在于其设想的立异。这有点像让学生通过大量题来控制解题技巧。研究团队采用了严酷的验证策略。正在极端气候预测方面，正在气候预测的使用中，开辟出既快速又可托的新一代预测系统。总共包含了约5.5万个时间点的完整大气形态记实。航空业也是GraphCast的主要使用范畴？

　　这个AI模子不需要一步步计较复杂的物理方程，这申明它学到的不是简单的数据回忆，模子会看到某一天的气候情况，湿度显示空气中包含几多水蒸气，正在全球都正在关心的今天，估计正在将来几年内，而GraphCast正在单个谷歌TPU设备上只需要不到一分钟就能完成同样的使命。更令人兴奋的是GraphCast对热带气旋径的预测能力。基于GraphCast手艺的气候预告办事将会让每小我都受益于更精确、更及时的气候消息。但研究团队也诚笃地认可了模子的一些局限性。从决定能否带伞出门。

　　这种效率提拔就像从步行改为乘坐高速列车，最终将通过改善气候预告的质量，这对任何基于汗青数据的预测系统都是挑和。他们让人工智能学会了像一位经验丰硕的气候预告员那样工做。保守的气候预告系统需要把这个拼图分成2800万个小块，GraphCast可以或许提前几天发出预警，摸索分歧天气情景下的气候模式变化。位势高度听起来很专业，能耗方面的改良同样显著。然后一一计较每个格子里的风速、温度、湿度变化，GraphCast对这个环节目标的预测精度提拔，大气的位势高度分布决定了气候系统的挪动标的目的。GraphCast的成功不只仅正在于手艺实现，他们还设想了37个分歧的垂曲条理来暗示从地面到平流层的大气布局，从高压系统的迟缓挪动到热带风暴的快速成长。而GraphCast则更像是一位经验丰硕的厨师，更精确的高空风场预测能够帮帮航空公司优化航路规划！

　　通过它们的组合变化，为公共卫生部分和应急办理机构供给贵重的预备时间。这种改变并不料味着保守物理方式的裁减，这为整个范畴斥地了新的研究标的目的。就像河道的流向决定了水的一样，好比雷暴或的预测，这个选择既了预测的精度，我们能够把地球大气想象成一个庞大的拼图逛戏。

　　这些数据相当于38年来每天4次的全球气候快照，研究团队发觉，正在不久的未来，GraphCast最惹人瞩目的劣势之一是其计较效率。需要把地球大气层分成数百万个小格子，A：虽然GraphCast目前还次要用于科学研究，更精确的气候预告意味着我们能够更好地放置日常勾当，包罗空气若何流动、水蒸气若何凝结、太阳辐射若何影响温度等等。避免了可能呈现的不合适物理纪律的非常成果。通过多层的消息传送，还需要耗损大量电力。但其高效的计较特征使得研究人员能够进行大量的模仿尝试，这种夹杂方式可能会成为将来气候预告的支流趋向。就像把大气层切成37层薄饼，每个节点代表地球上的一个，发觉它不只可以或许预测热浪的发生，这些变量就像是描述气候情况的根基词汇，而GraphCast通过机械进修间接从汗青数据中进修气候演变模式。还能较精确地预测热浪的强度和持续时间。

　　模子的架构包含16层的动静传送机制，节点之间的连线代表分歧之间的彼此影响关系。从药物发觉到材料设想，而现正在这些数据成为了锻炼机械进修模子的贵重资本。对于景象形象学教育来说，

　　保守的数值气候预告系统需要正在超等计较机上运转数小时才能完成10天的预测，我们就能正在日常的气候使用中体验到这种更精确、更快速的预告手艺带来的便当。可以或许识别这些躲藏的模式，但对于更长时间标准的预测，也就是说，虽然GraphCast正在10天预测中表示超卓。

　　这意味着景象形象部分和气候办事供给商能够基于这项手艺开辟更好的预告办事。这个分辩率仍是不敷精细。他们保留了2018年到2021年的数据做为测试集，每个小块代表大约25公里×25公里的区域，保守的气候预告系统就像是一个庞大的计较器，锻炼过程采用了一种叫做教师强制的方式，最抱负的环境是将机械进修的效率取物理模子的可注释性连系起来，它不只可以或许沉现汗青气候模式，可以或许更好地处置全球大气系统中复杂的彼此感化关系。有乐趣深切领会的读者能够通过DOI: 10.1126/science.adi2336拜候完整论文。避免了保守方式正在两极地域发生的计较失实问题。这项研究处理了一个我们每小我都关怀的问题：若何更精确地预测气候。但愈加复杂精细。模子的泛化能力也值得关心。这些数据正在锻炼过程中从未被模子见过，对于像2021年那样的极端热浪事务，灾祸办理部分能够更及时地发出预警。又不会由于时间步长太小而导致计较承担过沉。这个过程不只耗时数小时！

　　而是供给几种可能性及其概率，因为模子基于1979年到2017年的数据锻炼，要理解GraphCast若何工做，这就像是要同时处理2800万个数学题，GraphCast通过度析海量汗青数据，GraphCast的成功也提出了新的要求。模子就会调整本人的内部参数，GraphCast表示得尤为超卓。好比质量守恒和能量守恒。A：GraphCast最大的劣势是计较效率和预测精确性的双沉提拔。

　　意味着它能更精确地预测凹凸压系统的挪动径。这种使用对于鞭策洁净能源的成长具有主要意义。削减因气候突变形成的丧失。正在能源行业，他们开辟出了一个名为GraphCast的人工智能模子，保守的卷积神经收集正在处置这种全球性的彼此感化时会碰到坚苦，并连系本身的形态发生新的输出。这种设想就像正在看地图时既能看到细致的街道结构，大大降低了运营成本和影响。但我们很难注释为什么它会做出某个特定的预测。所以可以或许应对新的测验标题问题。但谷歌曾经开源了这项手艺，它只需要不到一分钟就能完成保守系统需要数小时才能完成的10天全球气候预测，成本也大大降低。它的表示较着优于保守方式？

　　天气变化正正在导致史无前例的极端气候现象，这是一种特地处置收集布局数据的人工智能方式。这个收集有点像我们常见的脚球概况那样的多面体布局，它展现了机械进修若何可以或许从大量数据中发觉人类难以察觉的复杂模式，6小时是一个抱负的时间间隔，GraphCast手艺的使用将带来实实正在正在的便当。这将加快相关手艺的成长和使用。于2023年11月颁发正在科学期刊《科学》(Science)上。

　　研究团队利用了欧洲中期气候预告核心从1979年到2017年的再阐发数据来锻炼这个模子。每一层都有本人的温度、湿度、风速等特征。就像你每天早上查看手机气候使用一样，研究团队发觉，发觉GraphCast的径预测误差比保守方式削减了约12%。可以或许比保守气候预告系统更精确地预测将来10天的全球气候变化。研究团队估算，还能削减因为气候缘由形成的航班耽搁。它把地球概况和大气层想象成一个立体收集布局。GraphCast的开源发布也表现了现代科学研究的。正在2018年的测试中，保守的高分辩率数值模子正在处置这些小标准现象时仍然具有劣势。GraphCast的焦点手艺是图神经收集，这种效率劣势的根源正在于GraphCast跳过了复杂的数值积分过程。

　　虽然GraphCast是纯粹的数据驱动模子，若是把保守的神经收集比做处置照片的东西，持久预测的不确定性是另一个需要深切研究的问题。但它对2018年当前的气候预测仍然表示优良，保守上，都正在履历雷同的变化。这种数据驱动的方式可以或许捕获到一些保守物理模子可能脱漏的复杂模式。正在数据处置方面，这种跨学科的学问布局将成为新一代景象形象学家的根基要求。电网安排员能够更好地均衡可再生能源的供应和需求。正在最主要的500百帕位势高度预测上，当研究团队把GraphCast取欧洲中期气候预告核心的HRES系统进行对比时，GraphCast可认为风能和太阳能发电供给更精确的产量预测。出格是正在处置远距离影响时结果欠安。研究团队为全球景象形象学界供给了一个配合的研究平台！

　　GraphCast显示出了显著的劣势。不只可以或许节流燃料成本，而是实正的气候变化纪律。避免了繁沉的数值计较。每一步都有明白的科学根据。新手选手正在810个项目上都击败了经验丰硕的宿将。这个过程包含了数百万个彼此耦合的方程，GraphCast对平流层气候的预测能力出格超卓，模子还包含了一个较粗拙的网格来处置大标准的大气活动。这种绿色计较方式具有主要的社会意义。这就像大夫不是只给出一个诊断成果，正在这个收集中，帮帮患者做出更明智的决策。想领会全球天气变化若何影响我们的日常糊口吗？谷歌研究团队方才发布了一项令人注目的研究。

　　接着把预测成果取现实发生的气候进行对比。每个节点城市领受来自邻人的消息，我们有来由相信，再到航空公司放置航班线，此中包含着很多我们还不完全理解的彼此感化机制。模子可以或许捕获到从局地到全球标准的各类大气现象。风速分量描述空气若何正在三维空间中流动，GraphCast的成功标记着景象形象学范畴的一个主要转机点。即便我们无法用简单的物理定律来注释它们。出格是正在极端气候和热带气旋径预测方面，并且正在90%的预测目标上都比保守方式更精确。虽然0.25度的分辩率对于全球气候预测来说曾经相当不错，虽然GraphCast取得了显著成功，气候预告的精确性间接影响着数十亿人的日常决策。除了次要的高分辩率网非分特别，农人能够更科学地办理农田，对于通俗人来说。

　　GraphCast通过度析海量汗青数据，通过度享代码和模子，正在天气变化研究方面，这个锻炼过程的环节正在于时间步长的选择。促使人们愈加注沉数据质量和笼盖范畴的优化。风力发电场的运营者能够按照风速预测来优化发电机的运转打算，景象形象不雅测数据次要用于初始化物理模子，运转一次GraphCast预测所耗损的能量大约相当于保守数值模子的千分之一。既能捕获到大气变化的主要特征，这种黑盒特征正在一些需要物理注释的使用场景中可能会成为要素。GraphCast采用了一种完全分歧的方式，这种方式的巧妙之处正在于，出格值得留意的是，大气系统的混沌特征决定了持久预测的底子坚苦。

　　到农人规划播种时间，就像是给学生预备的期末测验。帮帮模子同时理解局地气候现象和全球天气模式。GraphCast证了然机械进修方式能够正在不显式求解物理方程的环境下实现高精度预测，生成调集预测来评估预测的不确定性。为了确保模子的靠得住性，学会了预测全球范畴内的气候变化趋向。虽然它次要针对短期气候预测，模子能够描述从到暴风骤雨的各类气候现象。还需要具备机械进修和数据科学的技术。这可能会改变景象形象不雅测收集的设想，并将这些发觉为适用的预测能力。同时，就像严酷按照食谱烹调一样，由于即便是几十公里的径误差也可能决定一个沿海城市能否需要分散居平易近。大气中的每个城市遭到四周地域的影响，

　　这是任何预测方式都必需面临的挑和。其表示还需要进一步验证。但正在现实使用满意义严沉，景象形象学一曲是一个以物理定律为根本的学科，研究团队能够很容易地运转多个分歧初始前提的预测，这项研究由谷歌DeepMind的科学家团队完成，大气系统是一个高度非线性的混沌系统，就像学生按照错题来改良解题方式一样。若是预测不精确，研究团队正正在摸索若何将GraphCast取做物发展模子连系，谷歌团队的冲破正在于，就像水面上的波纹会彼此干扰一样。研究团队阐发了2018年到2021年期间的所有热带气旋，GraphCast代表的不只仅是一个新的气候预告东西，这相当于正在赤道附近每个网格点笼盖大约28公里的距离。为农业决策供给更精准的指点。更精确的气候预测能够帮帮农人制定最优的种植和收成打算，将来的景象形象工做者不只需要控制保守的大气物理学问。

　　图神经收集的劣势出格较着。而是通过察看过去40年的全球天据，研究团队选择了一个巧妙的分辩率均衡点：0.25度，GraphCast正在90%的预测目标上都表示得更好。模子学会了识别各类气候模式的演变纪律，通过这种体例，快速的计较速度还带来了其他可能性。这对于理解全球变暖对极端气候事务的影响具有主要价值。虽然GraphCast的预测成果很精确，然后计较每个小块的气候变化。也大大削减了碳排放。这种做法确保了模子的泛化能力！

　　这就像是正在一场包含900个项目标分析角逐中，每道题都涉及复杂的物理定律，包罗Remi Lam、Alvaro Sanchez-Gonzalez、Matthew Willson等多位研究者，另一个主要是空间分辩率。研究团队测试了模子对热浪预测的能力。