世界気象機関（WMO）のデータによると、過去50年間で平均して毎日1件の気象、気候、または水関連の災害が発生し、1件あたり約115人の死者と2億200万ドルの経済損失が生じています。
さらに警戒すべきことに、近年、人間活動によって加速された気候変動により、熱波、寒波、豪雨、干ばつなどの極端な気象・気候災害が異常に増加しています。
したがって、タイムリーで正確な気象予報と気候シミュレーションは、毎年数万人の命を救うだけでなく、極端な気象・気候イベントが人間社会や生態系に与える壊滅的な影響を軽減することができます。
現在、Google Research チームとその協力者が開発した NeuralGCM という人工知能（AI）モデルが、気象予報と気候シミュレーションを新たなレベルに引き上げています：
- NeuralGCM の1〜15日予報の精度は、世界最先端の従来型物理気象予報モデルを持つ欧州中期予報センター（ECMWF）と同等です。
- 10日先の予報では、NeuralGCM は既存の AI モデルと同等かそれ以上の性能を発揮します。
- 海面温度を含めることで、NeuralGCM の40年気候予測結果は ECMWF データに見られる地球温暖化傾向と一致しています。
- NeuralGCM は、サイクロンとその軌道の予測においても既存の気候モデルを上回る性能を示しています。
特筆すべきは、NeuralGCM が既存の従来型数値気象予報モデルや他の機械学習（ML）モデルと同等かそれ以上の精度を持つだけでなく、大幅に高速であり、30秒の計算時間で22.8日分の大気シミュレーションを生成できることです。また、従来のモデルと比較して、計算リソースを桁違いに節約することができます。
関連する研究論文「Neural general circulation models for weather and climate」が権威ある科学雑誌 Nature に掲載されました。
これらの結果は、NeuralGCM が決定論的な天気、天気と気候のアンサンブル予報を生成でき、長期的な天気と気候のシミュレーションに十分な安定性を示していることを実証しています。
研究チームは、このエンドツーエンドの深層学習アプローチが従来の一般循環モデル（GCM、大気、海洋、陸地の物理プロセスを表現し、天気と気候予測の基礎となるもの）が実行するタスクと互換性があり、地球システムの理解と予測に不可欠な大規模な物理シミュレーションを強化できると考えています。
さらに、NeuralGCM のハイブリッドモデリングアプローチは、材料発見、タンパク質折りたたみ、マルチフィジックス工学設計など、他の科学分野にも適用できます。
長期予報の不確実性を減らし、極端な気象イベントを推定することは、気候緩和と適応を理解する上で重要です。
ML モデルは長らく気象予測の代替手段と考えられ、計算コストを節約できるという利点がありました。決定論的な天気予報では大気循環モデルのレベルに達したり、それを超えたりすることさえありました。しかし、長期予報では大気循環モデルに及ばないことが多かったのです。
この研究で、研究チームは機械学習と物理的手法を組み合わせて NeuralGCM を設計し、ML コンポーネントを使用して GCM の従来の物理パラメータ化スキームを置き換えたり修正したりしています。NeuralGCM は以下の主要部分から構成されています：
-
微分可能な力学コア：このコアは離散化された力学方程式を解き、重力、コリオリ力などの影響を受ける大規模な流体運動と熱力学プロセスをシミュレートします。力学コアは水平方向の擬スペクトル離散化と鉛直方向のシグマ座標を使用し、JAX ライブラリを用いて実装され、自動微分をサポートしています。7つの予報変数（水平風渦度、水平風発散、温度、地表面気圧、および3つの水物質（比湿、氷雲水量、液体雲水量））をシミュレートします。
-
学習物理モジュール：このモジュールは GCM の単一カラム法を使用し、単一の大気カラムからの情報のみを使用して、そのカラム内の未解決プロセスの影響を予測します。残差接続を持つ完全連結ニューラルネットワークを使用し、すべての大気カラムで重みを共有します。ニューラルネットワークの入力には、大気カラムの予報変数、総入射太陽放射、海氷濃度と海面温度、および予報変数の水平勾配が含まれます。ニューラルネットワークの出力は、ターゲットフィールドの無条件標準偏差でスケーリングされた予報変数トレンドです。
-
エンコーダーとデコーダー：ERA5 データは気圧座標で保存されているのに対し、力学コアはシグマ座標系を使用するため、変換用のエンコーダーとデコーダーが必要です。これらのコンポーネントは気圧レベルとシグマ座標レベル間で線形補間を行い、補正のために学習物理モジュールと同じニューラルネットワークアーキテクチャを使用します。エンコーダーは初期化ショックによる重力波を除去し、予測結果の汚染を防ぐことができます。
結果は、NeuralGCM が超短期、短期、中期の時間スケールで最先端のモデルに匹敵する強力な気象予測能力を示していることを示しています。例えば：
超短期予測（0-1日）：
- 汎化能力：GraphCast と比較して、NeuralGCM は訓練されていない気象条件下でより良い性能を発揮します。これは、大気鉛直カラムの物理プロセスを予測するためにローカルなニューラルネットワークを使用しているためです。
短期予測（1-10日）：
- 精度：1-3日の短期予測では、NeuralGCM-0.7°と GraphCast が最も優れており、気象パターンの変化を正確に追跡します。
- 物理的一貫性：他の機械学習モデルと比較して、NeuralGCM の予測はより明確で、物理的に矛盾するぼやけた予測を避けています。
- 解釈可能性：降水量から蒸発量を診断することで、NeuralGCM の結果はより解釈しやすく、水資源分析を容易にします。
- 地衡風バランス：GraphCast と比較して、NeuralGCM はより正確に地衡風とその鉛直構造および比率をシミュレートします。
中期予測（7-15日）：
- アンサンブル予報：1.4°解像度の NeuralGCM-ENS は、ECMWF-ENS よりもアンサンブル平均 RMSE、RMSB、CRPS エラーが低く、可能な平均気象状態をより良く捉える能力を示しています。
- キャリブレーション可能性：NeuralGCM-ENS のアンサンブル予報は、ECMWF-ENS と同様に、分散-スキル比が約1であり、これはキャリブレーションされた予報の必要条件です。
気象予測における優れた性能に加えて、NeuralGCM は気候シミュレーションにおいても強力な能力を示しており、季節サイクルのシミュレーション、熱帯低気圧のシミュレーション、歴史的温度トレンドのシミュレーションなどが含まれます。例えば：
季節サイクルのシミュレーション：
- 精度：NeuralGCM は、全球可降水量と全球総運動エネルギーの年周期、およびハドレー循環や帯状平均風などの主要な大気力学を含む季節サイクルを正確にシミュレートできます。
- 全球雲解像モデルとの比較：全球雲解像モデル X-SHiELD と比較して、NeuralGCM は可降水量のバイアスが小さく、熱帯地域の温度バイアスが低くなっています。
熱帯低気圧のシミュレーション：
- 経路と数：1.4°という粗い解像度でも、NeuralGCM は ERA5 と同様の熱帯低気圧の経路と数を生成できますが、全球雲解像モデル X-SHiELD は1.4°の解像度で熱帯低気圧の数を過小評価しています。
歴史的温度トレンドのシミュレーション：
- AMIP シミュレーション：NeuralGCM-2.8°は40年間の AMIP シミュレーションを実施しました。結果は、すべてのシミュレーションが ERA5 データで観測された地球温暖化トレンドを正確に捉えており、年々の温度トレンドが ERA5 データと強い相関を持っていることを示しており、NeuralGCM が海温強制の気候への影響を効果的にシミュレートできることを示しています。
- CMIP6 モデルとの比較：CMIP6 AMIP モデルと比較して、NeuralGCM-2.8°は1981-2014年の期間で温度バイアスが小さく、CMIP6 AMIP モデルの全球温度バイアスを除去した後でもそうです。
NeuralGCM は気象と気候予測において強力な能力を示していますが、まだいくつかの制限があります：
-
将来の気候予測能力の限界：NeuralGCM は現在、歴史的な気候と大きく異なる将来の気候を予測することができません。海面温度（SST）が大幅に上昇する（例：+4K）と、NeuralGCM の応答は期待と一致せず、気候ドリフトが発生します。
-
観測されていない気候のシミュレーション能力不足：他の機械学習気候モデルと同様に、NeuralGCM も将来の気候や歴史的データと大きく異なる気候など、観測されていない気候のシミュレーションに課題を抱えています。これには、モデルのより強力な汎化能力と、敵対的訓練やメタ学習などのより高度な訓練戦略が必要です。
-
物理的制約と数値安定性の問題：例えば、NeuralGCM のスペクトル分布は ECMWF の物理予報よりもまだぼやけており、極端な気象イベントのシミュレーションにはまだいくつかの数値安定性の問題があります。