北京2022年1月30日电/美通社/--近日，浪潮宣布，面对气象领域日益增长的计算规模和计算能力需求，在气象应用的大规模拓展和优化方面取得了诸多进展。例如，根据美国大气研究中心、美国大气海洋局和美国空气象局联合开发的WRF模型，通过优化IO和通信，WRF扩展到24000个核，性能比优化前提升200%–300%。
作为全球领先的人工智能计算公司，浪潮早已开启了人工智能与高性能计算技术融合的探索之路，在“基于模式预测数据构建神经网络模型进行预测和校正”和“基于历史观测数据构建神经网络模型进行降水预测”两个研究方向开发了多个神经网络模型。
一般来说，基于数值预报技术的现代天气预报过程包括数据获取与预处理、模式数据同化、模式集合预报和预报结果后处理四个环节。提高天气预报的精度，一是把时间空分辨率和网格精度从千米级提高到百米级。二是模拟更接近真实环境的生物地球化学过程。这需要收集更多的观测数据，开发更复杂的气候模型。因此，天气预报的准确率越高，需要处理的数据量就越大，对计算能力的需求也就越大。比如第五届国际耦合模型对比计划中的CMIP5总产量超过3 PB，而下一代的CMIP6总产量超过30 PB。海量数据给处理、提取和解释带来巨大挑战。
气象数据不断增加的趋势促使人们开始探索新的计算技术。人工智能+高性能计算作为一种新的科学计算范式，引起了全球气象研究机构和科学家的关注。2019年，德国科学家马库斯·赖希斯坦等人在《自然》杂志上发表了《数据驱动的地球系统科学领域的深度学习和过程理解》一文，提出了混合建模方法。将物理模型与机器学习相结合，提高天气气候预测能力。2021年初，欧洲中期天气预报中心的ECMWF发布了其未来十年的机器学习路线图，并提出将机器学习应用于整个天气预报过程。其中，在观测数据处理方面，将使用机器学习进行数据质量控制和异常检测，在数据同化方面，将使用机器学习进行误差修正，将数据分布从非高斯分布转化为高斯分布。在数值预报中，机器学习将取代一些参数化方案，建立机器学习和传统物理模型的混合模型，用于水文模型和人类影响的研究。在后处理方面，机器学习将用于降水降尺度、观测和模式预报集成、集合预报后处理、极端降水后处理和特征检测。
随着人工智能与高性能计算的深度融合和天气预报准确率的不断提高，人们对天气的控制将更加强大，而这一切都有赖于物理模型的发展、人工智能的创新和计算技术的支持。
