Acceleration of horizontal numerical advection for atmospheric modeling through surrogate modeling with temporal coarse-graining

Resumo Técnico: Aceleração da Advecção Numérica Horizontal via Granulação Temporal

Declaração do Problema
A advecção numérica é uma operação computacionalmente dispendiosa em modelos geocientíficos, frequentemente atuando como o módulo mais ou o segundo mais custoso em sistemas como E3SM, CMAQ, GEOS-Chem e CAMx. Os altos custos computacionais limitam a escala e a resolução das simulações. Embora a redução da resolução espacial (granulação espacial) possa acelerar as simulações, ela degrada a relevância dos resultados para aplicações como modelagem da qualidade do ar, onde o detalhe espacial fino é crítico para avaliar com precisão a exposição à poluição e as disparidades. Além disso, as abordagens existentes de aprendizado de máquina (ML) que alcançam acelerações frequentemente dependem de granulação espacial ou aceleração de hardware, ou falham em produzir simulações estáveis quando aplicadas às resoluções espaciais originais sem redução espacial. Adicionalmente, os solvers numéricos tradicionais são limitados pela condição de Courant-Friedrichs-Lewy (CFL), que restringe o tamanho do passo de tempo com base na velocidade do fluxo e no espaçamento da grade para garantir estabilidade.

Metodologia
Os autores propõem um solver de advecção aprendido por máquina que alcança aceleração computacional por meio da granulação temporal exclusivamente, preservando a resolução espacial original. A inovação central é treinar o modelo para realizar passos de integração maiores do que aqueles ditados pela condição CFL.

• Arquitetura do Solver: O solver é uma Rede Neural Convolucional (CNN) projetada para emular uma abordagem de forma de fluxo de volume finito. Ele recebe como entrada a concentração e o número CFL de uma célula da grade e de seus vizinhos, e produz como saída o fluxo de massa através do limite esquerdo da célula. A arquitetura consiste em três camadas ocultas com 10 filtros de convolução paralelos por camada. As duas primeiras camadas utilizam ativação GeLU, e a camada final utiliza ativação tangente hiperbólica para garantir simetria de saída.
• Horizonte de Informação: Diferentemente dos solvers tradicionais restritos por gradientes locais, o "horizonte de informação" do solver de ML (o número de células da grade que influenciam um único passo) expande-se com o fator de granulação temporal. Os autores aumentam o tamanho do kernel de convolução à medida que o fator de granulação aumenta para capturar esse horizonte expandido.
• Dados de Treinamento: O modelo foi treinado em dados de advecção 1-D gerados utilizando campos de vento ao nível do solo sobre a América do Norte (janeiro de 2018) usando o Método Parábola por Partes (PPM) do modelo GEOS-Chem Classic. O conjunto de dados de treinamento incluiu simulações de 10 dias com um passo de tempo de 5 minutos.
• Estratégia de Granulação Temporal: Para treinar para passos de tempo maiores, os autores subamostraram os dados de treinamento para criar conjuntos de dados com fatores de granulação de 4×, 8×, 12×, 16× e 32×. Crucialmente, eles acumularam valores de fluxo sobre os passos de tempo granulados para garantir conservação de massa, treinando o modelo para prever a soma dos fluxos sobre múltiplos passos, em vez de um único fluxo instantâneo.
• Implementação: O modelo foi treinado usando Flux.jl e transferido para SimpleChains.jl, um framework otimizado para pequenas redes neurais usando operações alocadas em pilha, para alcançar acelerações significativas na inferência (5–10× mais rápido do que pacotes padrão de aprendizado profundo).
• Avaliação: O desempenho foi avaliado em simulações de advecção 2-D (usando divisão não direcional) sobre o mesmo domínio. A generalização foi testada contra dados não vistos: campos de vento de meses diferentes (generalização sazonal) e campos de vento de 72 níveis verticais diferentes (generalização vertical).

Principais Resultados

• Compromisso entre Velocidade e Precisão: Os solvers demonstraram um compromisso favorável entre velocidade e precisão. O modelo alcançou uma aceleração máxima de 92× em comparação com o solver de referência, mantendo um $r^2$ de 0,60. Uma análise de regressão linear revelou que, para cada fator de 10 de aumento na velocidade (dentro da faixa de granulação de 8×–32×), o modelo incorreu em uma perda de $r^2$ de aproximadamente 0,26.
• Desempenho de Generalização:
  • Níveis Verticais: O solver com granulação 4× reproduziu com sucesso as simulações em todos os 72 níveis verticais. Os solvers com granulação 8×–16× performaram bem até o 40º nível (21 km), enquanto o solver 32× foi limitado aos primeiros 10 níveis (1,3 km).
  • Sazonalidade: Os solvers generalizaram bem na maioria dos meses de 2018 quando treinados com dados de janeiro. No entanto, instabilidades foram observadas em junho e outubro, particularmente para fatores de granulação mais altos.
• Estabilidade e Limites CFL: A instabilidade em junho e outubro, bem como em níveis verticais mais altos, correlacionou-se com valores máximos de CFL que excediam aqueles presentes no conjunto de dados de treinamento (o CFL máximo de treinamento foi 0,386). O solver lutou para manter a estabilidade numérica quando o CFL efetivo (CFL de treinamento × fator de granulação) excedeu significativamente a faixa de treinamento.
• Conservação de Massa: Embora projetado para ser conservador de massa, o solver exibiu pequenos aumentos de massa no início das simulações devido ao recorte de previsões de concentração negativas para zero (um limitador de positividade). Isso resultou em um aumento líquido de massa antes que a perda de massa ocorresse através das fronteiras laterais.

Significado e Alegações
O artigo afirma demonstrar uma abordagem inovadora para acelerar simulações de advecção geocientífica sem sacrificar a resolução espacial, abordando uma limitação majoritária de estudos anteriores de dinâmica de fluidos baseados em ML. Ao aproveitar a granulação temporal, os autores mostram que é possível contornar a restrição CFL para inferência, oferecendo um compromisso ajustável entre velocidade computacional e precisão.

Os autores posicionam este trabalho como um passo fundamental em direção ao uso operacional. Eles reconhecem que os modelos atuais ainda não estão otimizados para uso em produção, notando limitações como instabilidade sob condições de CFL elevadas (fora da distribuição de treinamento) e a violação da monotonia devido ao recorte de concentração negativa. Eles sugerem que, com ajuste fino adicional, dados de treinamento diversos (incluindo diferentes estações e níveis verticais) e otimização de hiperparâmetros, esses solvers poderiam ser adequados para ferramentas de triagem, simulações de ensemble ou assimilação de dados, onde trocar alguma precisão por velocidade significativa é vantajoso. O estudo enfatiza que essa abordagem permite o potencial de aumentar a resolução espacial (economizando tempo computacional) em vez de diminuí-la, alinhando-se com os objetivos da modelagem atmosférica moderna.