地球系统模式CAS-ESM 2.0性能评估与分析

地球系统模式是研究气候变化、进行地球系统建模的重要软件. 中科院地球系统模式CAS-ESM (Chinese Academy of Sciences-Earth System Model)是中科院大气所发展的进行地球系统模拟的高性能计算应用软件, 目前已经发布了2.0版本, 其模拟性能一直是制约其发展的关键因素之一. 为了对CAS-ESM 2.0进行性能评估和分析,将CAS-ESM 2.0移植到中科院高性能计算系统"元"和"地球系统数值模拟装置"原型系统这两大高性能计算平台上, 开展了耦合数值模拟试验. 试验结果显示, CAS-ESM 2.0存在受平台影响的性能差异, 大气模式的运行时间占比最高, 超过了其他分模式的总和, 部分分模式存在可扩展性问题. 然后对试验结果进行了进一步的分析, 发现大气模式的性能瓶颈主要是由通信造成的. 因而对CAS-ESM 2.0的后续研发发展工作中, CAS-ESM的跨平台优化、大气模式的性能优化与并行算法改进、分模式的可扩展性应该是研究的重点之一.     

地球系统模式 CAS-ESM 在“元”超级计算机上的性能评估

CAS-ESM 是中国科学院大气物理所开发的地球系统模式,是全球气候变化研究的重要工具,也是高性能计算在地球系统科学领域的重要应用。为了方便其他用户在“元”超级计算机上开展更高效的模拟实验,探究 CAS-ESM 在类似于 “元”的体系结构计算机上的应用前景,分别设计并进行了大气分量模式 AGCM 和海洋分量模式 LICOM 分量模式最优处理器划分实验,保证耦合实验结果准确可靠。结果显示,AGCM 在“元”上使用 4*4、8*4、16*4、16*8、32*8、32*16 的处理器划分能得到最佳的计算效率,LICOM 在“元”上使用 3*5、3*10、5*12、12*10、20*12、60*8 的处理器划分,能在“元”上得到最佳的计算效率。最后设计并进行了耦合模拟实验,分析了 CAS-ESM 耦合模式的并行效率和浮点性能。     

一种基于区域海表面温度异常预测的ENSO预报深度学习模型

本文通过实验,从设计的四种深度学习网络模型中挑选出一种可以用来预测区域海平面温度异常 (SSTA) 的模型——序列到序列 (Seq2Seq) 模型,并确定了适合于此模型的一组最优的超参数 (编码器使用正序输入、不使用 L2 正则化和使用 Adam 优化器) 和输入变量个数。与传统的动力学 ENSO 预报模型相比,该模型在中长期 (提前 7 个月以上) 预测上的均方根误差 (RMSE) 表现要更好。在实际的 SSTA (Niño3.4 指数) 预测实验中,该模型可以较好地预测出 SSTA 变化趋势,但在峰值处表现较差。与其他动力学和统计模型相比,该模型有较好的预测结果。因此,考虑其在中长期优于动力学模型的表现以及整体较好的预测结果,该模型可以作为一种 ENSO 预报以及区域 SSTA 预测的深度学习模型。