北京2022年1月30日 /美通社/ -- 面對氣象領域不斷增長的計算規模和算力需求，近日，浪潮宣布對氣象應用的大規模擴展和優化取得諸多進展。如針對美國大氣研究中心(NCAR)、美國大氣海洋局(NOAA)和美國空間氣象局(AFWA)等共同開發的WRF模式，通過優化IO和通信等，將WRF擴展到了24000 核，且與優化前相比，WRF性能提升200%–300%。
作為人工智能計算全球領先公司，浪潮在人工智能與高性能計算技術的融合上，早已開啟了探索之路，在“基于模式預測數據構建神經網絡模型進行預測訂正”和“基于歷史觀測數據構建神經網絡模型進行降水預測”兩個研究方向上開發出多個神經網絡模型。
一般來說，基于數值預報技術的現代天氣預報流程包含數據獲取和預處理、模式資料同化、模式集合預報和預報結果后處理四個環節。要想提高天氣預報的準確度，一是提高時空分辨率，將網格精度從千米級提升到百米級；二是要模擬更接近真實環境的生物地球物理化學過程，這需要采集更多的觀測數據和開發更精細的氣候模式。因此，天氣預報的精度越高，就意味著需要處理的數據量越大，算力的需求越多。如第5次國際耦合模式比較計劃 CMIP5 輸出的數量總量超過 3 PB，而下一代 CMIP6 數據總量超過 30 PB，海量數據給處理、提取和解讀帶來巨大的挑戰。
氣象領域數據激增的趨勢促使人們開始探索新的計算技術，人工智能+高性能計算作為一種新的科學計算范式，得到了全球氣象研究機構和科學家的重視。2019年，德國科學家Markus Reichstein等在Nature上發表了《“數據驅動型”地球系統科學領域的深度學習及其過程理解》一文，提出混合建模方法，將物理模型和機器學習結合起來以提升天氣和氣候預測能力；2021年初歐洲中期天氣預報中心ECMWF發布了其未來十年機器學習路線圖，提出將機器學習應用在整個氣象預報流程中。其中，在觀測數據處理方面，機器學習將用于數據質量控制和異常檢測等；在數據同化方面，機器學習將用于誤差訂正和數據分布由非高斯分布向高斯分布的轉換等；在數值預報方面，機器學習將替代某些參數化方案，建立機器學習-傳統物理模式混合模式，以及用于水文模式和研究人類的影響；在后處理方面，機器學習將用于降水降尺度、觀測和模式預報融合、集合預報后處理、極端降水后處理以及特征檢測等。
隨著人工智能與高性能計算的深度融合和氣象預報精度的不斷提升，人們對天氣的掌控也將更有力，而這一切的背后，既依賴于物理模型的發展、人工智能的創新，也離不開算力科技的支撐。
