AI fremskynder klimaberegninger

Realistiske klimasimuleringer kræver enorme reserver af regnekraft. En LMU-undersøgelse viser nu, at nye algoritmer gør det muligt at modellere interaktioner i atmosfæren hurtigere uden tab af pålidelighed.

Forudsigelse af globale og lokale klimaer kræver konstruktion og afprøvning af matematiske klimamodeller. Da sådanne modeller skal inkorporere et væld af fysiske processer og interaktioner, klimasimuleringer kræver enorme mængder regnekraft. Og selv de bedste modeller har uundgåeligt begrænsninger, da de involverede fænomener aldrig kan modelleres tilstrækkeligt detaljeret. I et projekt udført i forbindelse med det DFG-finansierede Collaborative Research Center "Waves to Weather", Stephan Rasp fra Institut for Teoretisk Meteorologi ved LMU (direktør:Professor George Craig) har nu set på spørgsmålet om, hvorvidt anvendelsen af ​​kunstig intelligens kan forbedre effektiviteten af ​​klimamodellering. Studiet, som blev udført i samarbejde med professor Mike Pritchard fra University of California ved Irvine und Pierre Gentine fra Columbia University i New York, optræder i journalen PNAS .

Generelle cirkulationsmodeller simulerer typisk atmosfærens globale adfærd på gitter, hvis celler har dimensioner på omkring 50 km. Selv ved at bruge state-of-the-art supercomputere er de relevante fysiske processer, der finder sted i atmosfæren, simpelthen for komplekse til at blive modelleret på det nødvendige detaljeringsniveau. Et fremtrædende eksempel vedrører modellering af skyer, som har en afgørende indflydelse på klimaet. De transporterer varme og fugt, producere nedbør, samt absorbere og reflektere solstråling, for eksempel. Mange skyer strækker sig over afstande på kun et par hundrede meter, meget mindre end de gitterceller, der typisk bruges i simuleringer – og de er meget dynamiske. Begge funktioner gør dem ekstremt vanskelige at modellere realistisk. Derfor mangler nutidens klimamodeller mindst én vital ingrediens, og i denne henseende kun give en omtrentlig beskrivelse af Jordsystemet.

I den nye undersøgelse, Rasp og hans medforfattere har brugt en form for maskinlæring kendt som neurale netværk til adaptivt at tune en algoritme designet til at fange skyadfærd. Algoritmen blev trænet ved hjælp af data opnået fra højopløsningssimuleringer, der eksplicit inkluderede varmeoverførsel af skyer. "Efter træningsperioden, algoritmen var ikke kun i stand til at gengive de opnåede resultater med finskalaen, skyløsningsmodel, men gjorde så meget mere effektivt, " siger Stephan Rasp. Ifølge George Craig, "Undersøgelsen viser, at metoden har potentialet til at beskrive komplekse fænomener mere detaljeret og lover derfor at forbedre kvaliteten af ​​klimasimuleringer."

I denne indledende test, forfatterne brugte en idealiseret model til at teste gennemførligheden af ​​tilgangen med reduceret kompleksitet. I næste trin, Rasp, Pritchard og Gentine planlægger at træne algoritmen med rigtige data.