NVIDIA FourCastNet3：AI驱动的全球天气预报革命，效率与精度双重突破
NVIDIA Earth-2 推出的 FourCastNet3 (FCN3) 是新一代人工智能全球天气预报系统。该系统在次季节性时间尺度上实现了概率技能、计算效率、谱保真度、集合校准和稳定性的前所未有结合。其预报准确性已比肩 GenCast 等领先的机器学习模型，并超越了 IFS-ENS 等传统数值天气预报系统。在一台 NVIDIA H100 GPU 上，FCN3 以 0.25° 的分辨率和 6 小时的间隔进行 60 天的预报，仅需不到四分钟，速度比 GenCast 快 8 倍，比 IFS-ENS 快 60 倍。FCN3 采用基于球形信号处理原语的全卷积球形神经网络算子架构，结合了局部球形卷积与谱卷积，参数化使用 Morlet 小波，并在离散-连续群卷积框架内实现。此方法支持适应局部大气现象的各向异性局部滤波器，并通过 NVIDIA CUDA 自定义实现保证了计算效率。FCN3 在每个预测步骤中引入了随机性，通过一个由球体上的扩散过程控制的潜在噪声变量来实现，这种隐马尔可夫模型形式能够高效地单步生成集合成员，这是其相对于基于扩散模型方法的关键优势。FCN3 作为集合进行联合训练，最小化了空间和谱域的连续排名概率得分 (CRPS) 复合损失函数，确保模型学习到随机大气过程中的正确空间相关性。为实现模型规模化，FCN3 引入了一种受传统数值天气建模中域分解启发的模型并行新范式，将模型拆分到多个设备上，从而允许在多达 1024 个 GPU 上进行训练，实现了同步的域、批次和集合并行。FCN3 的预测准确性与 GenCast 相当，性能优于最先进的物理模型 IFS-ENS。其概率集合的散点比稳定在 1 附近，表明预报不确定性与观测大气变异性紧密匹配，保证了预报的可靠性。关键在于，FCN3 在所有尺度上都能保留大气谱特征，即使在长达 60 天的预报期内，也能忠实地重现真实天气模式的能量级联和清晰度，避免了许多机器学习模型随时间推移出现的模糊化或噪声伪影问题，实现了稳定、物理上真实且精确的预报。
Boris Bonev
网友讨论