近年來極端天氣所造成的影響越來越大，不久前的山竹和飛燕帶來的損失讓我們對自然的力量仍然記憶猶新。如何更好的識別極端天氣，做好防災減災工作是氣象人員面臨的巨大挑戰。

而最近，為了幫助識別極端天氣的潛在模式，預測出有可能損害人民群眾生命財產安全的天氣模式，來自伯克利大學勞倫斯實驗室、橡樹嶺實驗室和英偉達的研究人員們，利用AI和超級計算機給出了答案。他們研發了一種深度學習系統可以從高精度的氣候模擬中識別出極端天氣模式，這種算法有望在未來幫助公眾盡早預知天氣，在天災面前從容應對。

研究人員們利用Tiramisu和DeepLabv3神經網絡為極端天氣構建了像素級的掩膜。在最近放出的論文里，研究人員詳細描述了在軟件架構上的改進，包括輸入流程和訓練算法有效的提升了在超算上的大規模深度學習計算能力。Tiramisu網絡被大規模的部署在5300個P100的英偉達GPU上，實現了21PF/s的運算能力以及79%的并行效率。同時DeepLabv3則部署到了27360個V100GPU上，實現了325.8PF/s的速度，同時在單精度下實現了90.7%的并行效率。同時通過高效的使用FP16張量核心，半精度版本的DeepLabv3+網絡可以實現1.13EF/s的峰值運算和999.0 PF/s的持續運算能力。這些計算在目前排名第一的超算Summit上進行。

研究人員表示這一研究實現了很多記錄，不僅是在氣象科學領域第一次將深度學習用于解決如此大規模的氣候分割問題，同時在深度學習領域也是第一次將計算能力拓展到了Exa（艾10^18）量級。1.13EF/s的計算能力是深度學習首次跨越Exa的大門。值得一提的是，這一突破也獲得了今年的Gordon Bell獎，用于鼓勵研究團隊在超算領域的杰出成就。

下面讓我們來看看研究人員使用的網絡架構，用于對天氣狀況進行像素級的分割。

這項工作使用改進DeepLabv3+網絡，用于對氣候數據進行分割。其中編碼器部分使用了ResNet-50的核心部分來提取輸入數據的高維特征，并使用空洞空間金字塔池化來處理較大的輸入分辨率。而其解碼器則被完整分辨率的統一操作取代，以便生成精確的邊界信息。在上圖中，深藍色框代表了標準的卷積操作，淺藍色代表了反卷積操作，而空洞卷積操作則由綠色代表。

研究人員們使用了CommunityAtmosphere Model (CAM5) 來生成100年的模擬數據，并用啟發式的算法來生成掩膜標簽。整個數據集包含了63k的高分辨率樣本，其中包含了水蒸氣、風力、降水、溫度和氣壓等，分割區域包含了熱帶氣旋、大氣長河和背景三種區域。

為了在超算上大規模的部署應用，研究人員們測試了不同數量GPU的計算速度：

結果顯示目前的算法和虛線表示的結果十分接近。

下圖是最終對于全球范圍內的預測掩膜結果，我們可以看到預測出了結果和黑色的標記結果十分接近。其中藍色為大氣長河紅色為熱帶氣旋。

這一工作在先前氣象模式分割的啟發下成功地將Tiramisu和DeepLabV3+網絡應用到了高分辨率多變量的氣候數據中，并在對損失函數、優化機制和網絡結構的改進下，在定量和定性方面都實現了優異的結果。同時，為了大規模部署算法研究人員們建立了系統級的優化方式，包括了先進的數據存儲策略、優化吞吐和層級通訊，使得峰值節點4560情況下利用27360個VoltaGPU實現了高效的并行計算和超高的算力（峰值1.13EF/s，均值999.0PF/s），這一研究拓展了開源工具Tensorflow和Horovod的使用，研發的系統已經部署在了Summit超算中。這將對深度學習領域帶來諸多貢獻，同時也將促進超算平臺的發展。