洪水對 15 億人構成了重大威脅，使其成為重大自然災害的最常見原因。洪水每年給全球帶來高達 25 億美元的經濟損失。洪水預測是防災和減輕風險的重要工具。我們早已開發出能夠準確模擬河流流域的數值方法。借助這些技術，像咨詢公司 BRLi 的工程師可以研究不同的降水情景，并為當地利益相關者提供寶貴的洪水風險評估、緩解策略和災害救濟計劃。準確的預測可以挽救生命、保護基礎設施并減少經濟損失。
然而，這些方法使用基于物理性質的數值模擬，而且計算量非常大。這種方法通常需要數小時才能模擬洪水事件，即使在許多并行處理器上也是如此。它不適合實時預測正在進行的事件。長期以來，這種限制一直是針對特定事件提供快速、可行的洪水警報的瓶頸，并阻礙了實時預報系統的開發。
為解決這一問題，BRLi 和 圖盧茲國家理工學院 (Toulouse INP) 的一個聯合團隊通過與 ANITI 研究院 的合作，設計了一種完全取代基于物理的求解器的端到端 AI 方法。該團隊在水力學建模和 AI 方法方面擁有豐富的專業知識，為這項跨學科工作提供了支持。
BRLi 的水文專家為給定的水域提供了詳細的物理模型，以生成洪水數據庫。然后，Toulouse INP 團隊使用這些模型來訓練端到端 AI 系統，以模擬從 Earth-2 平臺利用 NVIDIA PhysicsNeMo 的求解器。Earth-2 是一個數字孿生云平臺，用于為天氣和氣候應用開發 AI 增強型預測和可視化流程。該團隊使用了經過優化的訓練流程和并行訓練功能，以及 PhysicsNeMo 提供的內置深度學習模型。
生成的求解器在單個 GPU 上只需幾秒鐘即可成功模擬前方數小時的洪水，為實時預測開辟了道路。這是一種利用 AI 革新洪水預測的突破性方法，可顯著縮短計算時間。
基于 AI 的洪水預報系統
聯合團隊重點關注法國南部的 Têt River 流域。經過大量的工程工作，該區域形成了詳細的非結構化網格，其中包含許多重要的地形和工程特征，例如橋梁、棧橋和水 Retention Basins。使用開源 Telemac-Mascaret 代碼的詳細數值模擬使用各種水輸入剖面圖運行，以生成洪水事件數據庫。
在訓練方面，INP 團隊將 NVIDIA PhysicsNeMo 用作 Earth-2 平臺的一部分，該平臺提供了一套工具，用于在氣候和天氣領域實現 AI 驅動的解決方案。該團隊使用 PhysicsNeMo 中的一個內置模型架構，使用其自定義數據進行快速輕松的訓練。要探索 AI 模型可以在天氣和氣候預報方面實現哪些功能，請在基于瀏覽器的體驗中查看 FourCastNet 和 CorrDiff NVIDIA NIM 微服務。
INP 團隊選擇了一種在描述 大氣動力 學方面表現出色的圖神經網絡 (GNN) 架構，并對其進行了調整以適應 Têt River 流域。這種方法使模型能夠捕捉復雜的空間關系和時間動態，這對準確預測洪水至關重要。AI 模型經過訓練，通過模仿詳細的數值模擬中的數據來模擬導致洪水的復雜水文過程。
我們在 CALMIP Turpan 超級計算機上并行訓練了多達 14 個 NVIDIA A100 Tensor Core GPU ，實現了近線性加速，擴展效率高達 91%。通過使用自回歸方法，該模型可以以 30 分鐘為增量預測未來幾個小時內的洪水淹沒地區和流速。
為了解決在不大幅增加消息傳遞層數量的情況下捕獲遠程依賴項的挑戰，團隊逐步創建了原始網格的更粗表示形式。這些粗網格使用 KD-Tree 連接到精細網格，形成了一個多網格。該策略擴展了模型的感受野，增強了其在保持計算效率的同時模擬大規模洪水動力學的能力。
在訓練期間，模型優化由均方誤差（MSE）損失函數指導，以確保預測準確。在測試方面，評估指標包括用于測量平均預測偏差的 L1 誤差和在 5 厘米閾值下計算的關鍵成功指數（CSI）。CSI 通過比較預測和觀察到的洪水淹沒細胞與其并集的交集，量化了模型正確檢測和分類洪水淹沒地區的能力。
替代 GNN 模型?
在單個 NVIDIA A100 80 GB GPU 上，最終模型可以在 19 毫秒內執行 6 小時預測。相比之下，使用基于物理性質的數值模型進行類似模擬需要 12 小時的 CPU 時間，在 28 個 CPU 上至少需要 25 分鐘的求解時間。此外，該方法利用了液壓工程團隊開發的真正的復雜網格。這是實時洪水建模的真正突破，AI 通常需要簡化的配置和網格。
這一成就還展示了 NVIDIA PhysicsNeMo 如何直接在工程網格上設置和訓練尖端 AI 架構。只需提供模擬數據，即可將此示例復制用于解決多個行業中的許多問題。
結束語?
基于這些令人興奮的結果，該團隊目前正在完善訓練數據和評估指標，以確保模型生成的質量水平與基于物理的方法相匹配，在罕見事件中也是如此。經過充分驗證后，我們將考慮將該模型集成到 BRLi 的工程工具鏈中。
作為第一步，它將用于生成包含數千次運行的大型系綜，以在池研究中獲得不確定性量化，從而顯著改進僅依賴于少量模擬的先進技術。其次，與實際救災服務機構合作至關重要，有助于找到最佳數據源，將其提取并輸入實時預報系統，以及如何將數據發回這些數據源。
Earth-2 是一個開放平臺，而 NVIDIA PhysicsNeMo 是一個開源項目，旨在支持不斷發展的物理 AI 社區。要了解 NVIDIA PhysicsNeMo 如何為您的物理 AI 研究項目提供幫助，請探索 NVIDIA/physicsnemo Github 存儲庫。
?
