mllam/neural-lam

解決する課題

Neural-LAMは、限領域モデリング（LAM）に特化したニューラル気象予測のためのフレームワークを提供します。研究者は、特定の地理的領域における時間経過に伴う大気の流体流動を模倣するグラフベースのニューラルネットワークを実装およびトレーニングでき、従来の数値気象予測モデルに代わるモジュール式の選択肢を提供します。

仕組み

このプロジェクトは、グラフニューラルネットワーク（GNN）を使用して気象パターンをモデル化します。PyTorchとPyTorch Lightning上に構築されており、GNNの実装はPyG（PyTorch Geometric）によって処理されます。システムはモジュール式で、モデルアーキテクチャ、グラフ構造（メッセージパッシングの発生方法を定義）、およびデータロードプロセスを分離しています。

データは「データストア」（zarrファイル用のMDPDatastoreやnumpyファイル用のNpyFilesDatastoreMEPSなど）を介して処理され、気象データをロードして空間座標をグリッドインデックスにフラット化します。次にWeatherDatasetクラスが、トレーニングと評価のためにこのデータを時間的にサンプリングします。このフレームワークは、GraphCastのバージョンや階層型GNNを含む複数のモデルアーキテクチャをサポートしています。

対象読者

地域の天気予報と大気モデリングに焦点を当てた気象学者、気候科学者、およびAI研究者向けに設計されています。

ハイライト

• 複数のモデルアーキテクチャ: GraphCast、階層モデル、およびその他のグラフベースの予測モデルの実装が含まれています。
• モジュール式設計: 異なる地理的領域やデータ形式に合わせて、モデル、グラフ、データストアを独立して交換できます。
• 柔軟なデータパイプライン: カスタマイズ可能なデータストアインターフェースを介してさまざまな入力形式をサポートし、最適化されたトレーニングデータのためにmllam-data-prepと統合します。
• 科学的根拠: ニューラル気象予測の分野における査読付き出版物のモデルを直接実装しています。