基于深度学习的地球系统模拟结果一致性评估方法

本发明涉及地球系统数值模拟，具体而言，特别涉及一种基于深度学习的地球系统模拟结果一致性评估方法。

背景技术：

1、优化和开发地球系统模式期间的一致性评估对于保证地球系统模式的可靠性至关重要。对于一致性评估，有两种做法。一是气候科学家对新机器上数百年的模型模拟数据进行分析，并将其与可信机器上相同模拟的数据进行比较。二是采用线性变换的方式处理年平均的地球系统模拟结果，将新运行的模拟结果与来自可信机器的集合结果进行比较。

2、现有方法主要应用于在多核同构超算系统上。面对由众核异构硬件设计引起的不可避免的计算扰动，以及软件或人为错误组成的混合扰动场景，迫切需要评估地球系统模拟结果在众核异构超算系统上的科学一致性，使得一致性评估模型可以接受众核异构计算扰动的影响，以进一步检测在优化和开发地球系统模式时产生的软件或人为错误。

3、随着地球系统模式分辨率和复杂性的提高，对快速地一致性评估提出了迫切的要求。目前缺乏一种分析短时间步、多分量模块的地球系统模拟结果的一致性评估方法。此外，现有的线性变换方法无法准确分析数据的非线性特征。面对地球系统中多分量模块数据组合产生的非线性关系，迫切需要非线性变换实现数据的特征提取和分析。

技术实现思路

1、为了弥补现有技术的不足，本发明提供了一种基于深度学习的地球系统模拟结果一致性评估方法。本发明旨在解决两个问题：1、发展出基于深度学习的地球系统模拟结果一致性评估方法；2、将此方法顺利应用于众核异构超算平台。

2、针对第一个问题，现有的线性变换方法无法准确分析数据的非线性特征。面对地球系统中多分量模块数据组合产生的非线性关系，迫切需要非线性变换如深度学习方法，实现数据的特征提取和分析。本发明提出了一种基于深度学习的地球系统模拟结果一致性评估方法，该方法基于双向门控循环神经网络，分析可信任地球系统模式模拟结果变量的特征，通过粗粒度测试得到不同情景下模式模拟结果的通过率，设计编译选项更改、模式参数更改等场景，评估混合扰动情景下地球系统模拟结果的一致性。

3、针对第二个问题，随着高分辨率、高复杂性地球系统模拟的需求，众核异构架构高性能超算普遍应用于地球系统模式将成为未来趋势。地球系统模式从多核同构超算平台移植到众核异构架构平台，需要评估众核异构架构下地球系统模式模拟结果的一致性。但常用的一致性评估方法主要面向多核同构架构平台。对于受到由众核异构架构引起扰动后的地球系统模拟结果，需要一种客观、高效的一致性评估方法，以评估众核异构架构下地球系统模式模拟结果科学一致性。因此，本发明将基于深度学习的一致性评估方法应用于众核异构超算系统中。

4、本发明是通过如下技术方案实现的：一种基于深度学习的地球系统模拟结果一致性评估方法，具体包括以下步骤：

5、s1、实现双向门控循环-自编码器神经网络：门控循环神经网络grnn的神经元gru神经网络首先需要根据t-1时刻的隐藏层 h t-1和当前t时刻的输入 x t来计算更新门和重置门的值；更新门 z t的计算过程如公式 (1) 所示，重置门 r t的计算过程如公式 (2) 所示，

6、 z t=( w z* [ h t-1, x t] )，                    (1)

7、 r t=( w r* [ h t-1, x t] )，                    (2)

8、其中， w z、 w r为训练参数，为激活函数。获得重置门 r t的信号后，gru神经网络计算重置结果，这一过程类似于lstm的记忆阶段；的计算过程如公式 (3) 所示，

9、= tanh ( w* [ r t* h t-1, x t] )，                (3)

10、其中， w为训练参数，tanh为激活函数。gru神经网络根据重置结果和更新门 z t计算隐藏层 h t的结果； h t的计算过程如公式 (4) 所示，

11、 h t= (1- z t) * h t-1+ z t*，                  (4)

12、自动编码器ae的输入和输出是一致的，目标是使用稀疏的高阶特征重新组合来重构自己；ae通过训练得到的预测值和原本的真值计算损失函数，来训练ae神经网络参数；对于输入数据 x，ae的中间隐藏层压缩向量 c的计算过程如公式 (5) 所示，ae的输出结果 o为 c的重构数据，计算过程如公式 (6) 所示，

13、 c= f ( w (1)* x+ b (1))，                   (5)

14、o = f ( w (2)* c+ b (2))，                   (6)

15、其中， w (1)、 w (2)、 b (1)、 b (2)是根据损失函数反馈得到的训练参数，f是激活函数；bgru-ae深度学习模型是在ae的基础上将编码器和解码器替换成bgru神经网络，并在解码器最后连接一层全连接神经网络；编码器由bgru构成，将bgru的隐藏层输出 h e作为编码器的输出压缩向量 c； h e的计算过程如公式 (7) 所示，

16、 h e= h f t h b 1= c，                     (7)

17、其中， h f t和 h b 1分别是gru向前和向后过程产生的最后一个隐藏层状态，同时，解码器也由bgru构成，将压缩向量 c输入到bgru中，得到bgru的隐藏层输出 h d， h d的计算过程如公式 (8) 所示，

18、 h d= h’ f 1 h’ b t，                     (8)

19、其中， h’ f 1和 h’ b t分别是gru向前和向后过程产生的最后一个隐藏层状态，最后，将 h d输入到全连接层fc，用于控制得到与初始输入 x相同维度的向量 o，fc的计算过程如公式(9) 所示，

20、 o= f ( w fc* h d)，                      (9)

21、其中， w fc是训练参数，f是激活函数；

22、s2、选取包含海洋模块、大气模块及相应耦合过程或耦合器的地球系统耦合模型；

23、s3、设置大气模块和海洋模块的耦合频率和地球系统模拟的时间步数，验证更改海洋模式耦合频率后的短时间步地球系统模拟数据是否能够包含足够的集合可变性；将海洋模式耦合频率设置为1天8次，将模式的初始大气温度添加o(10-14)量级的扰动，对比其与未扰动的大气与海洋结果变量差异，证明模式中大气与海洋模拟结果对初始条件的敏感依赖性，并且更改海洋模式耦合频率后的大气与海洋变量能够提供足够的集合可变性；

24、s4、开展地球系统模拟集合实验，本发明在可信任的多核同构超算平台上实现地球系统模拟，将模拟结果的大气与海洋变量进行面积权重平均和最小最大标准化处理，构造深度学习模型所用的训练集和验证集。面积权重平均计算过程如公式(10)所示，最大最小标准化计算过程如公式(11)所示。

25、                 (10),

26、其中xi为变量x在第i块网格的值，wi为第i块网格的面积。

27、                     （11），

28、其中xmin为变量x的最小值，xmax为变量x的最大值。

29、s5、bgru-ae深度学习模型训练：采用多核同构平台上的训练集和验证集进行bgru-ae深度学习模型训练；在训练bgru-ae模型的每个时间步骤，将验证数据集输入到bgru-ae模型中，并使用均方误差mse(mean squared error)函数计算重构误差，并输出验证集的重构误差。调整bgru-ae模型参数，重复bgru-ae深度学习模型训练，直到验证数据集的重构误差最小，并保存最终的bgru-ae模型；重构误差计算过程如公式(12)所示。

30、,                     （12）

31、其中，yi是变量i的原始值，yi’是yi在经过bgru-ae模型分析后的值。

32、s6、训练集重构误差阈值计算:计算训练数据集的重构误差阈值作为指标，以获得一致性评估的“通过”或“失败”结果；将训练数据集重新输入到保存的bgru-ae深度学习模型中，并重新获得重构误差的最大值；重构误差阈值为重构误差的最大值。

33、s7、将地球系统模拟实现众核异构编程：设计包括编译选项更改、模式参数更改的场景，在众核异构超算平台上实现地球系统模拟，构造bgru-ae深度学习模型所用的测试数据集；

34、s8、评估混合扰动情景下地球系统模拟结果的一致性：将测试数据集输入到保存的bgru-ae深度学习模型中，并使用重构误差计算通过率。

35、作为优选方案，步骤s6中如果测试数据集的一个集合成员的重构误差大于训练数据集的重构损失阈值，那么一致性评估方法将该成员返回为“失败”。

36、作为优选方案，步骤s8中若测试数据集的重构误差大于训练集的重构误差阈值，则训练集判定为“失败”，否则为通过。

37、本发明由于采用了以上技术方案，与现有技术相比使其具有以下有益效果：

38、1、与基于年平均数据的地球系统模拟结果一致性评估方法相比，本发明的短时间步地球系统模拟结果一致性评估方法计算量小，节约时间成本、计算成本等。

39、2、与基于线性变换的地球系统模拟结果一致性评估方法相比，本发明分析了多模块分量数据的非线性特征，对于模拟结果一致性的评估更精准。

40、3、与目前存在的地球系统模拟结果一致性评估方法相比，本发明面向众核异构超算平台，能够当考虑到与硬件相关的扰动时，可以检测软件或人为错误的存在。

41、4、本发明可为科研工作与业务部门提供技术支持与数据支撑，为众核异构超算平台下地球系统模式的移植、研发和优化工作提供科学依据，为讨论地球系统模拟结果对众核异构架构的敏感性提供数据分析方法和理论支持。

42、本发明的附加方面和优点将在下面的描述部分中变得明显，或通过本发明的实践了解到。