L'efficacité Informatique a Été Multipliée Par 3000 ! Le Laboratoire Laoshan Et D'autres Ont Proposé Un Modèle De Prévision Intelligent À Grande Échelle Pour L'environnement Océanique, « Wenhai », Qui Fonctionne Mieux Que Les Prévisions Océaniques Numériques

Des tourbillons de différentes échelles temporelles et spatiales sont actifs dans l’océan. dans,Les tourbillons mésoscopiques, dont l’échelle spatiale varie de 10 à 100 km, sont les principaux vecteurs de l’énergie cinétique océanique.Il domine les changements à court terme de la vitesse des courants océaniques, de la température et de la salinité, et a une influence importante sur les processus atmosphériques. Par conséquent, une prévision précise des tourbillons à mésoéchelle est non seulement cruciale pour les activités et la gestion des océans, mais contribue également à améliorer la précision des prévisions météorologiques.

Dans le passé, les océanographes prédisaient les changements futurs des océans principalement en résolvant numériquement de grands ensembles d’équations physiques. Dans le processus de résolution numérique, à mesure que la résolution de la grille augmente, la charge de calcul augmente rapidement.Cela nécessite d’énormes ressources informatiques pour prédire les tourbillons océaniques à mésoéchelle.Ces dernières années, l’intelligence artificielle (IA) a apporté de nouvelles méthodes et des outils puissants à la recherche scientifique et a réalisé des progrès importants dans les prévisions météorologiques. Cependant,Les grands modèles d’IA existants présentent encore des problèmes tels qu’une représentation insuffisante des interactions mer-air et des résultats de prévision flous.Cela pose un défi pour parvenir à des prévisions précises sur l’environnement marin.

En réponse à cela, l'équipe de recherche dirigée par l'académicien Wu Lixin du laboratoire de Laoshan, en collaboration avec l'Université océanique de Chine, l'Université des sciences et technologies de Chine et Qingdao Guoshi Technology Group Co., Ltd., a profondément intégré l'océanographie physique à l'intelligence artificielle et a utilisé la théorie de la dynamique océanique pour piloter la conception de l'architecture du réseau neuronal.Nous avons développé « Ask the Sea » - un modèle de prévision intelligent de l'environnement océanique mondial à haute résolution (1/12°).

Les résultats de recherche pertinents ont été publiés en ligne dans Nature Communications sous le titre « Prévision de l'océan tourbillonnant avec un réseau neuronal profond ».

Points saillants de la recherche :

* Le modèle « Ask the Sea » utilise la théorie de la dynamique océanique pour piloter la conception de l'architecture du réseau neuronal

* Les performances de prévision du grand modèle « Wenhai » sont meilleures que celles du système de prévision numérique publié par le Centre international d'océanographie Mercator en France

* Le grand modèle « Wenhai » a amélioré l'efficacité de calcul de 3 000 fois par rapport au modèle de prévision numérique

Adresse du document :
https://www.nature.com/articles/s41467-025-57389-2

Le projet open source « awesome-ai4s » rassemble plus de 200 interprétations d'articles AI4S et fournit des ensembles de données et des outils massifs :
https://github.com/hyperai/awesome-ai4s

Ensemble de données : Utilisation des données d'observation océanique comme vérité terrain

Les données utilisées dans cette étude comprennent principalement des données de réanalyse océanique et atmosphérique pour les modèles de formation et des données d’observation pour évaluer les capacités de prévision du modèle. Les données de réanalyse comprennent les données de réanalyse océanique globale GLORYS 1/12° du Centre international d'océanographie Mercator en France et les données de réanalyse atmosphérique globale ERA5 1/4° du Centre européen pour les prévisions météorologiques à moyen terme.

Contrairement aux modèles météorologiques d'IA existants, qui utilisent essentiellement des données de réanalyse comme champ initial de prévision,Cette étude utilise strictement le champ initial et le champ de forçage cohérents avec le système de prévision numérique océanique pour piloter le grand modèle, et utilise les données d'observation océanique comme valeur réelle.Évaluer objectivement les capacités de prévision réelles du modèle océanique et du système de prévision numérique océanique.

Le champ océanique initial provient du système de prévision GLO12v4 du Centre international d'océanographie Mercator en France, et le champ de prévision atmosphérique provient du système de prévision IFS HRES du Centre européen pour les prévisions météorologiques à moyen terme. Les données d’observation comprennent le profil de température et de salinité mesuré par Argo, la hauteur de la surface de la mer mesurée par télédétection par satellite, ainsi que la température de la surface de la mer et la vitesse du courant de surface près du rivage mesurées par des bouées dérivantes.

Cadre du modèle : la théorie de la dynamique océanique guide la conception de l'architecture des réseaux neuronaux

Les grands modèles d’IA existants présentent des problèmes tels qu’une représentation insuffisante des interactions mer-air et des résultats de prévision flous, ce qui pose des défis à la réalisation de prévisions affinées de l’environnement marin. Grâce à l’intégration profonde de l’océanographie physique et de l’intelligence artificielle, la conception de l’architecture du réseau neuronal est guidée par la théorie de la dynamique océanique, qui surmonte efficacement les lacunes des grands modèles d’IA existants.

Le modèle « Wenhai » intègre explicitement la formule globale dans le réseau neuronal.Il caractérise avec précision l’élan, la chaleur et les échanges de matière entre la mer et l’air ; utilise le masque de distribution de la mer et de la terre pour donner au modèle la capacité de percevoir le terrain et les limites côtières ; utilise la tendance changeante de l’état de l’océan comme objectif de prévision, de sorte que le modèle accorde davantage d’attention aux processus à petite et moyenne échelle en évolution rapide ; réduit la perte d’informations dans le processus de sous-échantillonnage en optimisant les hyperparamètres du réseau neuronal et améliore la fidélité des processus à petite et moyenne échelle dans l’océan ; utilise une technologie de réglage fin pour améliorer l’erreur cumulative dans le processus de prévision itérative.

Conclusion expérimentale : La capacité de prévision du grand modèle « Wenhai » est meilleure que celle du système de prévision numérique des océans

Les processus à petite échelle dans l’océan sont hautement non linéaires et ont une faible prévisibilité ; de plus, les observations océaniques sont rares et le champ initial donné par le système d'assimilation s'écarte de l'état réel de l'océan. donc,Il est difficile d’exiger que les processus prédits à petite et moyenne échelle soient totalement cohérents avec les observations réelles en termes de localisation et d’intensité.En particulier, en raison de l’existence du problème de la « double pénalité », les indicateurs d’erreur point à point traditionnels, tels que l’erreur quadratique moyenne (RMSE), ne conviennent pas pour évaluer les performances des systèmes de prévision à haute résolution. Car de tels indicateurs donneront l’impression que les performances des systèmes de prévision à haute résolution sont pires que celles des systèmes à basse résolution, même si les premiers peuvent mieux refléter l’état réel de l’océan.

Afin de comparer équitablement le grand modèle « Wenhai » avec le système de prévision numérique GLO12v4, cette étude a adopté le schéma « d'évaluation de voisinage » pour les systèmes de prévision à haute résolution.Les valeurs prévues dans une certaine plage autour de la valeur observée sont considérées comme la prévision d'ensemble de l'emplacement observé, et leurs scores de probabilité classés en continu (CRPS) sont évalués. Les résultats de retour d'avril à novembre 2024 montrent que les performances de prévision du grand modèle « Wenhai » pour la température, la salinité, la vitesse du courant et la hauteur du niveau de la mer dans les 10 prochains jours sont meilleures que celles du système de prévision numérique GLO12v4. en même temps,Le grand modèle « Wenhai » a amélioré son efficacité de calcul de 3 000 fois par rapport au modèle de prévision numérique.Permet d'économiser considérablement du temps de calcul et de la consommation d'énergie.

Le score de probabilité classé en continu (CRPS, le plus bas est le meilleur) des résultats de prévision du grand modèle « Ask the Sea » (ligne bleue) et du système de prévision numérique GLO12v4 du Centre international d'océanographie Mercator en France (ligne rouge) d'avril à novembre 2024.

(a) Profil de température

(b) Profil de salinité

(c) Température de la surface de la mer

(d) Anomalie du niveau de la mer

(e) vitesse zonale de 15 m et

(f) vitesse méridionale de 15 m. Le profil température-salinité montre le CRPS moyenné verticalement. L'ombrage indique l'intervalle de confiance de 50% obtenu à l'aide de la méthode bootstrap.