mllam/neural-lam

해결하는 문제

Neural-LAM은 제한 영역 모델링(LAM)을 위해 특별히 설계된 신경 기상 예측 프레임워크를 제공합니다. 연구자들이 특정 지리적 영역에 대해 시간에 따른 대기 유체 흐름을 모방하는 그래프 기반 신경망을 구현하고 훈련할 수 있게 하며, 전통적인 수치 기상 예측 모델에 대한 모듈식 대안을 제공합니다.

작동 방식

이 프로젝트는 그래프 신경망(GNN)을 사용하여 기상 패턴을 모델링합니다. PyTorch와 PyTorch Lightning을 기반으로 구축되었으며, GNN 구현은 PyG(PyTorch Geometric)로 처리됩니다. 시스템은 모델 아키텍처, 그래프 구조(메시지 전달이 발생하는 방식을 정의), 데이터 로딩 프로세스를 분리하는 모듈식 구조입니다.

데이터는 "데이터 저장소"(예: zarr 파일용 MDPDatastore 또는 numpy 파일용 NpyFilesDatastoreMEPS)를 통해 처리되며, 기상 데이터를 로드하고 공간 좌표를 그리드 인덱스로 평면화합니다. 그런 다음 WeatherDataset 클래스는 훈련 및 평가를 위해 이 데이터를 시간적으로 샘플링합니다. 프레임워크는 GraphCast 버전과 계층적 GNN을 포함한 여러 모델 아키텍처를 지원합니다.

대상 사용자

지역 기상 예보와 대기 모델링에 중점을 둔 기상학자, 기후 과학자, AI 연구자를 위해 설계되었습니다.

주요 특징

• 다중 모델 아키텍처: GraphCast, 계층적 모델 및 기타 그래프 기반 예측 모델의 구현을 포함합니다.
• 모듈식 설계: 다양한 지리적 영역과 데이터 형식에 맞게 모델, 그래프 및 데이터 저장소를 독립적으로 교체할 수 있습니다.
• 유연한 데이터 파이프라인: 사용자 정의 가능한 데이터 저장소 인터페이스를 통해 다양한 입력 형식을 지원하며, 최적화된 훈련 데이터를 위해 mllam-data-prep와 통합됩니다.
• 과학적 근거: 신경 기상 예측 분야의 동료 검토 출판물에서 모델을 직접 구현합니다.