FourCastNet3 (FCN3) es el sistema de predicción meteorológica global con IA más reciente de NVIDIA Earth-2. FCN3 ofrece una combinación sin precedentes de capacidad probabilística, eficiencia computacional, fidelidad espectral, calibración de conjuntos y estabilidad en escalas de tiempo subestacionales. Su precisión de predicción a medio plazo iguala la de los principales modelos de aprendizaje automático, como GenCast, y supera la de los sistemas tradicionales de predicción meteorológica numérica, como IFS-ENS.
Una única implementación de FCN3 de 60 días con 0,25° y una resolución de 6 horas se calcula en menos de cuatro minutos en una sola GPU NVIDIA H100 Tensor Core, una aceleración 8 veces mayor que GenCast y 60 veces mayor que IFS-ENS.
Además, presenta una calibración y una fidelidad espectral excepcionales, ya que los miembros del conjunto conservan propiedades espectrales realistas incluso con plazos de entrega de 60 días. FCN3 representa un avance significativo hacia la predicción meteorológica basada en datos con grandes conjuntos, desde escalas temporales de mediano alcance hasta subestacionales.
Arquitectura FCN3
FourCastNet3 emplea una arquitectura de operador neuronal esférico totalmente convolucional, basada en primitivas esféricas de procesamiento de señales (véase la Figura 2). A diferencia de FourCastNet2, que se basa en el Operador Neuronal de Fourier Esférico , FCN3 utiliza convoluciones esféricas locales junto con convoluciones espectrales.
Estas convoluciones se parametrizan mediante wavelets de Morlet y se formulan en el marco de convoluciones de grupo discreto-continuo. Este enfoque permite filtros anisotrópicos y localizados, idóneos para fenómenos atmosféricos localizados, a la vez que garantiza la eficiencia computacional mediante una implementación personalizada en NVIDIA CUDA .
FCN3 introduce estocasticidad en cada paso predictivo mediante una variable de ruido latente cuya evolución se rige por un proceso de difusión en la esfera. Esta formulación oculta de Markov permite la generación eficiente de miembros del conjunto en un solo paso, una ventaja clave sobre los enfoques basados en modelos de difusión. FCN3 se entrena conjuntamente como un conjunto, minimizando una función de pérdida compuesta que combina la puntuación de probabilidad de rango continuo (CRPS) en el espacio y en el dominio espectral. Este enfoque garantiza que FCN3 aprenda las correlaciones espaciales correctas en los procesos atmosféricos estocásticos subyacentes.
Escalar los modelos de aprendizaje automático suele ser crucial para alcanzar la competencia, pero los efectos de la escala no se han investigado en modelos meteorológicos basados en datos. FCN3 destaca por su ambición computacional. Para escalarlo, introducimos un nuevo paradigma de paralelismo de modelos inspirado en la descomposición del dominio en el modelado meteorológico numérico tradicional.
Este enfoque nos permite integrar modelos más grandes en la VRAM durante el entrenamiento, dividiendo el modelo entre varios dispositivos y reduciendo la E/S de disco por dispositivo. Para ello, se implementan operaciones espaciales como las convoluciones de forma distribuida mediante la Biblioteca de Comunicaciones Colectivas de NVIDIA (NCCL) . Con esta tecnología, FCN3 se entrena en hasta 1024 GPU, utilizando paralelismo simultáneo de dominio, por lotes y por conjuntos. Consulta nuestro código de entrenamiento .
FourCastNet3 supera al mejor modelo de conjunto basado en física, IFS-ENS, y coincide con Gencast en capacidad predictiva (véase la Figura 3). En un único NVIDIA H100, FCN3 genera un único pronóstico de 15 días con una resolución temporal de 6 horas y una resolución espacial de 0,25° en un minuto: una aceleración 8 veces superior a la de Gencast y 60 veces superior a la de IFS-ENS.
Sus conjuntos probabilísticos presentan ratios de dispersión-habilidad consistentemente cercanos a uno, lo que indica pronósticos bien calibrados donde la incertidumbre prevista se alinea estrechamente con la variabilidad atmosférica observada. Los histogramas de rango y otros diagnósticos confirman que los miembros del conjunto siguen siendo intercambiables con las observaciones del mundo real, lo que confirma la fiabilidad y la veracidad de las predicciones de FCN3.
Fundamentalmente, FCN3 preserva las firmas espectrales atmosféricas en todas las escalas, reproduciendo fielmente la cascada de energía y la nitidez de los patrones meteorológicos reales, incluso con plazos de hasta 60 días. A diferencia de muchos modelos de aprendizaje automático que difuminan las características de alta frecuencia o se convierten en artefactos ruidosos con el tiempo, FCN3 mantiene espectros estables y físicamente realistas, lo que permite pronósticos precisos, nítidos y físicamente consistentes en el rango subestacional.
Esto se muestra en la Figura 3, que representa las predicciones de FCN3 de intensidades de viento de 500 hPa, iniciadas el 11 de febrero de 2020, poco antes de que la tormenta Dennis tocara tierra en Europa. FCN3 captura con precisión la magnitud de las intensidades del viento y su variabilidad en diferentes escalas de longitud, como lo demuestra la fiel densidad espectral de potencia angular de las respectivas predicciones. Esto se mantiene incluso con despliegues prolongados de 30 días (720 horas) o más.
Introducción a FourCastNet3
El punto de control FourCastNet3 completamente entrenado está disponible en NVIDIA NGC.
Una forma sencilla de ejecutar la inferencia FCN3 es usar Earth2Studio. Para ejecutar una inferencia de conjunto de 4 miembros, puede ejecutar el siguiente código:
fromearth2studio.models.px importFCN3fromearth2studio.data importNCAR_ERA5fromearth2studio.io importNetCDF4Backendfromearth2studio.perturbation importZerofromearth2studio.run importensemble as runimportnumpy as np# load default packagemodel =FCN3.load_model(FCN3.load_default_package())# determine output variablesout_vars =["u10m", "v10m", "t2m", "msl", "tcwv"]# data source initial conditionds =NCAR_ERA5()io =NetCDF4Backend("fcn3_ensemble.nc", backend_kwargs={"mode": "w"})# no perturbation required due to hidden Markov formulation of FCN3perturbation =Zero()# invoke inference with 4 ensemble membersrun(time=["2024-09-24"], nsteps=16, nensemble=4, prognostic=model, data=ds, io=io, perturbation=perturbation, batch_size=1, output_coords={"variable": np.array(out_vars)},) |
Los resultados de esta inferencia se muestran en la Figura 4. Para un rendimiento óptimo de FCN3, recomendamos instalar torch-harmonics con extensiones CUDA personalizadas habilitadas y usar precisión mixta automática en formato bf16 durante la inferencia (que es la opción predeterminada en Earth2Studio). Si desea ejecutar la inferencia FCN3 personalizada o entrenarla usted mismo, puede encontrar el código en makani .
Obtenga más información sobre FCN3
Obtenga más información sobre FourCastNet3 con estos recursos:
- Artículo de FourCastNet3 en arXiv.
- Punto de control de FourCastNet3
- Código de inferencia/entrenamiento distribuido de FCN3 en GitHub.
- Procesamiento de señales esféricas con armónicos de antorcha .
- Earth2Studio para inferencia.
- Físicanemo
- Artículo sobre el operador neuronal esférico de Fourier en arXiv
- Modelado de la atmósfera terrestre con operadores neuronales esféricos de Fourier
- Punto de control FourCastNet2 (SFNO)
NVIDIA Blog. B. B. (NVIDIA), T. K. (NVIDIA), A. M. (LBNL), M. B. (NVIDIA), K. K. (NVIDIA), A. A. (Caltech), W. D. C. (LBNL), M. P. (NVIDIA), A. K. (NVIDIA). Traducido al español
