- Լրիվ սկավառակի և ակտիվ տարածաշրջանի վրա հիմնված բռնկման կանխատեսման միացման ուղղությամբ՝ օպերատիվ տարածության եղանակի կանխատեսման համար (arXiv)
Հեղինակ՝ Չեթրաջ Պանդեյ, Անլի Ջի, Ռաֆալ Ա. Անգրիկ, Մանոլիս Կ. Գեորգուլիս, Բերքայ Այդին
Համառոտ. Արևի բռնկման կանխատեսումը տիեզերական եղանակի կանխատեսման կենտրոնական խնդիր է և գրավել է հետազոտողների լայն սպեկտրի ուշադրությունը թե՛ հեռահար զոնդավորման, թե՛ մեքենայական ուսուցման և խորը ուսուցման մոտեցումների վերջին առաջընթացների շնորհիվ: Ե՛վ մեքենայական, և՛ խորը ուսուցման մոդելների վրա հիմնված փորձարարական բացահայտումները ցույց են տալիս աշխատանքի զգալի բարելավումներ առաջադրանքների հատուկ տվյալների հավաքածուների համար: Շինարարական մոդելների հետ մեկտեղ, գործառնական պարամետրերով արտադրական միջավայրերում այդպիսի մոդելների տեղակայման պրակտիկան ավելի բարդ և հաճախ ժամանակատար գործընթաց է, որը հաճախ ուղղակիորեն չի լուծվում հետազոտական միջավայրերում: Մենք ներկայացնում ենք մի շարք նոր էվրիստիկ մոտեցումներ՝ ≥M1.0 դասի բռնկումների համար արևային բռնկումների կանխատեսման օպերատիվ համակարգ վարժեցնելու և գործարկելու համար՝ երկու կանխատեսման ռեժիմներով՝ լրիվ սկավառակով և ակտիվ տարածաշրջանի վրա: Լրիվ սկավառակի ռեժիմում կանխատեսումները կատարվում են ամբողջական սկավառակի տեսադաշտի մագնիսագրամների վրա՝ օգտագործելով խորը ուսուցման մոդելներ, մինչդեռ ակտիվ տարածաշրջանի վրա հիմնված մոդելներում կանխատեսումները տրվում են յուրաքանչյուր ակտիվ շրջանի համար առանձին՝ օգտագործելով բազմաչափ ժամանակային շարքի տվյալների օրինակներ: Առանձին ակտիվ տարածաշրջանի կանխատեսումների և ամբողջական սկավառակի կանխատեսումների արդյունքները համակցվում են ամբողջական սկավառակի կանխատեսման վերջնական արդյունքին՝ մետա-մոդելով: Մենք օգտագործեցինք երկու հիմնական սովորողների բռնկման հավանականությունների հավասար կշռված միջին համույթը որպես մեր հիմնական մետա սովորող և բարելավեցինք մեր երկու հիմնական սովորողների հնարավորությունները՝ ուսուցանելով լոգիստիկ ռեգրեսիայի մոդել: Այս ուսումնասիրության հիմնական բացահայտումները հետևյալն են. (i) Մենք հաջողությամբ զուգակցեցինք բռնկման կանխատեսման երկու տարասեռ մոդելներ, որոնք պատրաստված էին տարբեր տվյալների հավաքածուներով և մոդելի ճարտարապետությամբ՝ գուշակելու ամբողջական սկավառակի բռնկման հավանականությունը հաջորդ 24 ժամվա ընթացքում, (ii) Մեր առաջարկած անսամբլի մոդելը, այսինքն՝ լոգիստիկ ռեգրեսիա, բարելավում է երկու բազային սովորողների կանխատեսելի կատարումը և ելակետային մետա սովորողը, որը չափվում է երկու լայնորեն կիրառվող չափանիշներով True Skill Statistic (TSS) և Heidke Skill Core (HSS) և (iii) Մեր արդյունքների վերլուծությունը ցույց է տալիս, որ լոգիստիկ ռեգրեսիան -հիմնված անսամբլը (Meta-FP) բարելավում է ամբողջական սկավառակի մոդելը (բազային սովորող) ~9%-ով TSS-ով և ∼10%-ով HSS-ի առումով: Նմանապես, այն բարելավում է AR-ի վրա հիմնված մոդելը (բազային սովորող) ~17% և ~20% համապատասխանաբար TSS-ի և HSS-ի առումով: Վերջապես, երբ համեմատվում է բազային մետա մոդելի հետ, այն բարելավում է TSS-ը ~ 10%-ով և HSS-ը ∼15%-ով:
2.FourCastNet. Արագացնելով գլոբալ բարձրորակ եղանակի կանխատեսում` օգտագործելով հարմարվողական Ֆուրիեի նյարդային օպերատորներ (arXiv)
Հեղինակ՝ Թորսթեն Քուրթ, Շաշանկ Սուբրամանյան, Պիտեր Հարինգթոն, Ջեյդեպ Պաթակ, Մորթեզա Մարդանի, Դեյվիդ Հոլ, Անդրեա Միելե, Քարթիկ Կաշինաթ, Անիմաշրի Անանդկումար
Վերացական. Կլիմայի փոփոխությամբ ուժեղացված էքստրեմալ եղանակը ավելի ու ավելի կործանարար ազդեցություն է ունենում ամբողջ աշխարհում: Ֆիզիկայի վրա հիմնված եղանակի թվային կանխատեսման (NWP) ներկայիս օգտագործումը սահմանափակում է ճշգրտությունը՝ հաշվի առնելով բարձր հաշվողական ծախսերը և լուծվող ժամանակի խիստ սահմանափակումները: Մենք հայտնում ենք, որ տվյալների վրա հիմնված խորը ուսուցման Երկրի համակարգի էմուլյատորը՝ FourCastNet-ը, կարող է կանխատեսել գլոբալ եղանակը և ստեղծել միջին միջակայքի կանխատեսումներ հինգ կարգով ավելի արագ, քան NWP-ն՝ միաժամանակ մոտենալով ժամանակակից ճշգրտությանը: FourCast-Net-ը օպտիմիզացված է և արդյունավետորեն մասշտաբվում է երեք գերհաշվարկային համակարգերի վրա՝ Selene, Perlmutter և JUWELS Booster մինչև 3808 NVIDIA A100 GPU՝ հասնելով 140,8 petaFLOPS խառը ճշգրտությամբ (11,9% առավելագույնի այդ մասշտաբով): 3072 GPU-ով JUWELS Booster-ի վրա չափված FourCastNet-ի ուսուցման ժամանակը 67,4 րոպե է, ինչը հանգեցնում է 80,000 անգամ ավելի արագ լուծման՝ համեմատած գերժամանակակից NWP-ի՝ եզրակացության հետ: FourCastNet-ը մեկ շաբաթ առաջ ապահովում է եղանակի ճշգրիտ ակնթարթային կանխատեսումներ, հնարավորություն է տալիս հսկայական անսամբլներին, որոնք ավելի լավ են ֆիքսում եղանակային ծայրահեղությունները և աջակցում են ավելի բարձր գլոբալ կանխատեսումների լուծումներ:
