GraphCast模型在AMD CPU上的运行问题分析与解决方案

背景介绍

GraphCast是Google DeepMind开发的一款基于图神经网络的天气预报模型。该模型通常运行在GPU或TPU上以获得最佳性能，但最近有开发者尝试在AMD CPU上运行其演示案例gencast_mini_demo.ipynb时遇到了NaN（非数值）输出的问题。

问题现象

当尝试在CPU上运行GraphCast的预测流程时，模型输出全部变为NaN值。经过调试发现，这一问题出现在模型的自回归预测过程中，特别是在处理噪声水平计算时。

技术分析

根本原因

深入调试后发现，问题出在apply_stochastic_churn函数中的噪声水平计算部分。具体来说，当计算new_noise_level^2 - noise_level^2时，由于浮点数精度问题，结果可能变为一个极小的负值（如-6.66e-11）。随后对这个负值取平方根操作导致了NaN的产生。

数值稳定性问题

在机器学习模型中，数值稳定性是一个常见挑战。特别是在涉及平方根、对数等数学运算时，输入值的微小变化可能导致输出结果完全无效。在本案例中，虽然理论上new_noise_level^2 - noise_level^2应该总是非负的，但浮点数运算的精度限制导致了负值的出现。

JIT编译的影响

有趣的是，当禁用JIT编译（通过设置jax_disable_jit=True）时，模型能够正常运行。这表明问题可能与XLA编译器对浮点运算的优化处理方式有关。JIT编译通常会重组计算图以提高性能，但有时会引入数值稳定性问题。

解决方案

临时修复方案

最直接的解决方案是在计算平方根前确保被开方数非负：

diff = new_noise_level**2 - noise_level**2
extra_noise_stddev = (jnp.sqrt(jnp.where(diff < 0., 0., diff))
                     * noise_level_inflation_factor)

这种方法简单有效，通过显式处理负值情况，避免了NaN的产生。

更稳健的数值处理

更稳健的做法是使用jnp.maximum函数：

extra_noise = jnp.maximum(0, new_noise_level**2 - noise_level**2)
extra_noise_stddev = jnp.sqrt(extra_noise) * noise_level_inflation_factor

这种方法在数学上更清晰，表达了"我们只对非负部分感兴趣"的意图。

性能考量

虽然这些修改解决了NaN问题，但在CPU上运行GraphCast仍然面临性能挑战：

1. 计算速度显著慢于GPU/TPU
2. 内存占用较高（约17GB）
3. 并行效率受限

对于实际应用，建议在完成调试后重新启用JIT编译以获得更好的性能，或者考虑使用云端的GPU/TPU资源进行大规模预测。

结论

本次调试揭示了GraphCast模型在CPU环境下运行时的一个数值稳定性问题，并提供了有效的解决方案。这一经验也提醒我们：

1. 在跨平台部署机器学习模型时，数值稳定性需要特别关注
2. 浮点数运算的精度问题可能在看似无害的数学表达式中突然出现
3. 调试工具如jax.debug.print和jax_debug_nans对于定位数值问题非常有用

通过这些解决方案，开发者现在可以在AMD CPU上成功运行GraphCast模型，为没有GPU/TPU硬件资源的用户提供了更多可能性。