FourCastNet

Mis on NVIDIA FourCastNet?

NVIDIA FourCastNet on globaalne andmepõhine ilmaennustusmudel, mis on välja töötatud NVIDIA Earth-2 kliima- ja ilmataristu jaoks. Teksti, piltide või muu tavakasutajatele mõeldud sisu loomise asemel ennustab see arvulisi ilmavälju, näiteks tuult, temperatuuri, õhurõhku, õhuniiskust ja geopotentsiaalset kõrgust.

Mudel kasutab praeguse atmosfääri- ja maapinnaseisundi esitust globaalsel laius- ja pikkuskraadide võrgustikul. Seejärel genereerib mudel prognoositava seisundi kuus tundi hiljem. Kui väljund mudelile uuesti sisendiks anda, saavad kasutajad koostada pikemaid autoregressiivseid prognoose ja simulatsioone. Seetõttu on FourCastNet kasulik uurimistöös ja operatiivses eksperimenteerimises, kus on vaja paljusid prognoosistsenaariume.

FourCastNet esitleti algselt 2022. aastal ning see on endiselt saadaval NVIDIA praeguses Earth-2 mudelite ja NIM-i juurutusökosüsteemis. NVIDIA praegustes materjalides kirjeldatakse SFNO-l põhinevat rakendust, samas kui juurutusdokumentatsioon viitab ka FourCastNet v2 SFNO kontrollpunktide variantidele. Seetõttu peaksid kasutajad kontrollima konkreetse juurutusega seotud mudelikaarti, kontrollpunkti ja konteineri dokumentatsiooni.

Kuidas mudel töötab

FourCastNet kasutab sferiaalset Fourier' närvioperaatorit (Spherical Fourier Neural Operator ehk SFNO). Närvioperaator õpib, kuidas kogu ruumiline väli muutub, selle asemel et käsitleda iga asukohta eraldiseisva ennustusena. Fourier' komponent esitab laiaulatuslikke ruumimustreid sagedusruumis, samas kui sferiaalne vorm sobib globaalse geograafilise andmestikuga.

Praktikas töötab mudel väga suure kogu Maad katva ilmaolukorra tensoriga. Dokumenteeritud sisendvõrgustik sisaldab 0,25-kraadise eraldusvõimega 721 laiuskraadipunkti ja 1 440 pikkuskraadipunkti. Sisend sisaldab 73 pinna- ja atmosfäärimuutujat koos kuupäeva ja kellaaja metaandmetega. Kuupäev ja kellaaeg on olulised, sest atmosfääritingimused muutuvad kalendri ja aastaaja järgi.

• Geograafiline katvus: globaalne laius- ja pikkuskraadide võrgustik.
• Võrgustiku eraldusvõime: 0,25 kraadi.
• Võrgustiku mõõtmed: 721 laiuskraadipunkti ja 1 440 pikkuskraadipunkti.
• Ilmamuutujad: 73 pinna- ja atmosfäärimuutujat.
• Sisendi esitus: NumPy tensor koos kuupäeva ja kellaaja teabega.
• Tavaline prognoosisamm: kuus tundi.

See erineb põhimõtteliselt küsimuse esitamisest keelemudelile. FourCastNet ei tõlgenda iseseisvalt mitteametlikku asukoha- ja kuupäevapõhist päringut. Kasutaja või ümbritsev rakendus peab ette valmistama ühilduvad võrgustatud sisendandmed, haldama ühikuid ja normaliseerimist ning tõlgendama saadud arvulisi välju.

Väljundid ja prognoosiperiood

Väljund on neljamõõtmeline arvuline tensor, mis sisaldab prognoose samade 73 ilmamuutuja kohta samal globaalsel võrgustikul. Üks järeldusetapp tähistab atmosfääri seisundit kuus tundi pärast esitatud sisendseisundit. Sõltuvalt konfiguratsioonist võib juurutus väljastada valitud muutujaid või täielikke väljundarhiive.

Pikemad prognoosid saadakse korduvate sammude käivitamisega. See autoregressiivne lähenemine võimaldab simuleerida ilma ka pärast esimest kuuetunnist ajavahemikku, kuid prognoosivead võivad kuhjuda, kui prognoositud seisundeid kasutatakse hilisemate sisenditena. NVIDIA dokumentatsioon kirjeldab prognoositavat stabiilsust rohkem kui ühe simuleeritud aasta jooksul; seda väidet tuleks mõista teenusepakkuja dokumenteeritud mudelikäitumisena, mitte garantiina, et pikaajalised prognoosid säilitavad lühiajaliste prognooside täpsuse.

FourCastNetil ei ole dokumenteeritud kontekstiakent ega maksimaalset teksti väljundmärkide piirangut, sest see ei ole keelemudel. Selle tegelikud piirangud on fikseeritud võrgustik, dokumenteeritud muutujate kogum, sisendandmete ettevalmistamise nõuded, saadaolev GPU-mälu ja konkreetse juurutuse toetatud simulatsiooniseaded.

Treeningandmed ja peamine eesmärk

NVIDIA mudelikaardil on treeningandmetena nimetatud ajavahemiku 1979–2017 ERA5 järelanalüüsiandmed ning hindamisandmetena 2018. aasta ERA5 andmed. ERA5 on ajalooline atmosfääri järelanalüüsiandmestik, mis ühendab vaatlused ilmamudelite arvutustega, et pakkuda ühtseid hinnanguid atmosfääri, maismaa ja ookeanidega seotud tingimuste kohta.

FourCastNeti peamine eesmärk on ilmaolukorra kiire globaalne prognoosimine. Selle kiirus on eriti oluline siis, kui kasutajad vajavad ühe kuluka simulatsiooni asemel paljusid prognoositrajektoore. Näited kasutusvaldkondadest:

• Kiire globaalne ilmaennustus ja tehisintellektil põhineva numbrilise ilmaennustuse uurimine.
• Suured ansamblisimulatsioonid prognoosimääramatuse hindamiseks.
• Tuule- ja taastuvenergia analüüs.
• Äärmuslike ilmastikunähtuste ja kliimariskide uurimine.
• Atmosfääridünaamika ja alternatiivsete prognoosimeetodite uurimine.
• Edasiste teaduslike või operatiivsete töövoogude sisendite genereerimine.

Mudel ei ole tavakasutajatele mõeldud terviklik ilmainfoteenus. Selle tensorväljundi muutmine kohaliku prognoosi, kaardi, hoiatuse või äriotsuse aluseks eeldab täiendavat töötlemist, visualiseerimist ja valideerimist ning sageli ka võrdlust vaatluste või teiste prognoosisüsteemidega.

Juurutus NVIDIA Earth-2 keskkonnas

FourCastNet kuulub NVIDIA Earth-2 keskkonda avatud või allalaaditava teadusliku mudelina, mida saab pakkuda ka NVIDIA järeldustaristu kaudu. NVIDIA pakub mudelikaarti, juurutusmaterjale ja FourCastNet NIM-i teenust. NIM ehk NVIDIA Inference Microservices pakendab toetatud mudelid NVIDIA GPU-taristul juurutamiseks ning pakub järelduste tegemiseks liidest.

FourCastNeti järeldusteenus toetab kaasasoleva juurutusuuringu kohaselt konfigureeritavat simulatsiooni pikkust, ansambli suurust ja müra amplituudi. Ansambel käivitab mitu omavahel seotud prognoositrajektoori, mis võib aidata teadlastel uurida määramatust, selle asemel et tugineda ühele deterministlikule trajektoorile. Täpsed valikud ja riistvaranõuded sõltuvad NIM-i versioonist ja juurutuskonfiguratsioonist.

See annab kasutajatele kaks laia võimalust mudeliga töötamiseks: laadida mudel alla ja integreerida see ühilduvasse teaduskeskkonda või kasutada NVIDIA hallatavat või enda hallatavat NIM-i lahendust, kui see on saadaval. Kumbki võimalus ei muuda FourCastNeti üldiseks vestluslikuks API-ks. Selle liides on mõeldud struktureeritud ilmatensorite ja arvuliste tulemuste, mitte viipade, vestlussõnumite, funktsioonikutsete või märgivoogude jaoks.

Toetatud sisendid, väljundid ja võimalused

FourCastNet võtab vastu arvulisi ilmaolukorra andmeid ja kuupäeva-kellaaja metaandmeid. Dokumenteeritud sisend ja väljund on teaduslikud massiivid, mitte tekst, pildid, heli ega video. Seetõttu ei ole mudelil tavapärast multimodaalset vestlusvõimekust, pildimõistmist, kõnetuvastust, koodi genereerimist ega teksti genereerimist.

Struktureeritud arvulise väljundi ja keelemudeli JSON-režiimi erinevus on oluline. FourCastNet võib oma järeldusliidese kaudu tagastada masinloetavaid ilmaandmeid, kuid see ei genereeri loomuliku keele juhiste põhjal suvalisi JSON-objekte.

Peamised tugevused ja kompromissid

FourCastNeti peamine tugevus on arvutuslik tõhusus globaalsel ilmasimulatsioonil. Õpitud mudel võib pärast vajaliku sisendi ettevalmistamist ja sobiva GPU-keskkonna kasutuselevõttu prognoositavaid seisundeid kiiresti genereerida. See tõhusus on väärtuslik ansamblite, tundlikkusanalüüside ja paljusid stsenaariume vajavate rakenduste puhul.

Globaalne katvus ja 0,25-kraadine võrgustik muudavad selle sobivaks ka laiaulatuslikuks atmosfäärianalüüsiks, mitte ainult ühe kohaliku vaatluspunkti jaoks. 73 muutujaga väljund sisaldab lihtsa temperatuuriprognoosiga võrreldes oluliselt rohkem teavet, võimaldades edasistel kasutajatel uurida prognoositud seisundi eri aspekte.

Sellega kaasnevad olulised kompromissid. FourCastNet on spetsialiseeritud mudel: see ei saa vastata üldistele küsimustele, kirjutada koodi, teha dokumentidest kokkuvõtteid, otsida veebist ega asendada tavapärast ilmateenust ilma seda ümbritseva rakenduseta. Samuti sõltub see võrgustatud sisenditest, mis on ette valmistatud eeldatud vormingus. Kasutaja, kes soovib ühe linna prognoosi, ei saa tingimata sisestada ainult linna nime ja tulemust saada.

Korduvad autoregressiivsed sammud põhjustavad vigade kuhjumist ning mudeli prognoose ei tohiks segi ajada otseste vaatlustega. Riistvara-, tarkvara-, mudeliversiooni- ja litsentsinõuded võivad muuta juurutuse keerukamaks kui majutatud tavakasutajatele mõeldud ilmarakenduse kasutamine. Need piirangud on eriti olulised siis, kui prognoosiväljundeid kasutatakse ohutuskriitiliste või reguleeritud otsuste toetamiseks.

Hind ja juurdepääs

FourCastNeti sisendi ega väljundi avalikku märgipõhist hinda ei ole avaldatud. Allalaaditavale mudelile ja NIM-i kasutamisele kehtivad NVIDIA juurdepääsu-, taristu- ja litsentsitingimused, samas kui majutatud järelduste või enda hallatava juurutuse kulud võivad sõltuda valitud NVIDIA teenusest ja GPU-keskkonnast.

Seetõttu ei tohiks FourCastNeti hinnata tekstipõhise API hinnamudeli järgi. Rahaline kulu tuleneb tõenäolisemalt GPU-taristust, salvestusest, andmete ettevalmistamisest, majutusest ja operatiivsest toest, mitte avaldatud märgipõhisest hinnast. Potentsiaalsed kasutajad peaksid kontrollima täpselt selle Earth-2 mudelipaketi või NIM-i väljalaske tingimusi, mida nad kavatsevad kasutada.

Kiirus ja kulu: mida toimetuse hinded tähendavad

Esitatud mudelihinnang annab FourCastNetile toimetuse kiirusehindeks 9 punkti 10-st ja kuluhindeks 8 punkti 10-st. Need on subjektiivsed hinnangud selle tõhususele võrreldes tavapäraste numbrilise ilmaennustuse töövoogudega, mitte NVIDIA avaldatud võrdlustestide tulemused ega hinnad.

Hinded kajastavad mudeli sobivust paljude arvuliste prognoosiseisundite tõhusaks genereerimiseks. Need ei tähenda, et iga juurutus oleks odav või kiire. Tegelik jõudlus sõltub GPU-st, pakett- ja ansambliseadetest, sisendkonveierist, prognoosiperioodist, salvestusest ning sellest, kas mudelit majutatakse ise või kasutatakse hallatava teenuse kaudu.

Millal valida FourCastNet

FourCastNet on tugev valik siis, kui ülesanne eeldab globaalsete ilmaväljade kiiret simuleerimist, korduvaid prognoosistsenaariume või õpitud alternatiivide katsetamist tavapärastele numbrilistele ilmamudelitele. See sobib eriti hästi teadlastele, kliimariskidega tegelevatele meeskondadele, taastuvenergiaanalüütikutele ja teaduslikke töövooge loovatele arendajatele, kellel on juba juurdepääs ühilduvatele ilmaandmetele ja NVIDIA GPU-taristule.

Valige mõni muu lahendus, kui vaja on lihtsat asukohapõhist prognoosi, viimistletud tavakasutajatele mõeldud ilmakogemust, tekstipõhist selgitust või mudelit, mis võtab vastu struktureerimata viipasid. Tavapärane numbriline ilmaennustussüsteem või väljakujunenud ilmateenuse pakkuja võib olla sobivam, kui esmatähtsad on füüsikalise modelleerimise päritolu, operatiivne valideerimine või valmis kohalikud tooted. Üldotstarbeline keelemudel sobib paremini dokumentatsiooni, programmeerimise või vestlusliku analüüsi jaoks, kuid see ei asenda FourCastNeti arvulist atmosfääriväljundit.

FourCastNet ei ole parim valik ka siis, kui kasutaja ei suuda ette valmistada nõutavat 73 muutujaga globaalset sisendtensorit või tal puudub mudeli käitamiseks vajalik riistvara ja juurutuskeskkond. Selle väärtus tuleneb spetsialiseeritud suure läbilaskevõimega ilmasimulatsioonist, mitte laialdasest ülesannete kattest.

Kokkuvõte

NVIDIA FourCastNet on spetsialiseeritud globaalne ilmamudel, mis põhineb sfäärilistel Fourier' närvioperaatoritel. See prognoosib 0,25-kraadisel võrgustikul 73 atmosfääri- ja pinnamuutujat kuue tunni kaupa ning seda saab pikemate simulatsioonide loomiseks iteratiivselt käivitada või kasutada ansamblitöövoogudes. Selle paiknemine NVIDIA Earth-2 keskkonnas ja FourCastNet NIM-is muudab mudeli teadusliku ja operatiivse eksperimenteerimise jaoks oluliseks, eriti seal, kus on vaja kiiresti luua palju stsenaariume.

Mudeli eelised määravad ka selle piirid. See toodab arvulisi ilmavälju, mitte vestlusi ega meediat; see vajab hoolikalt ette valmistatud võrgustatud sisendeid ning selle juurutuse kulu sõltub taristust, mitte lihtsast avalikust märgipõhisest hinnast. Õigete andmete ja GPU-keskkonnaga kasutajatele pakub FourCastNet keskendunud võimalust kiire tehisintellektil põhineva globaalse ilmaennustuse uurimiseks. Kasutajatele, kes otsivad kohe kasutatavat kohalikku prognoosi või üldist tehisintellektiabilist, sobib paremini teist tüüpi süsteem.