Muligheder og grænser for AI i klimamodellering

Jordsystemmodeller er de vigtigste værktøjer til kvantitativ beskrivelse af Jordens fysiske tilstand, og - f.eks. i forbindelse med klimamodeller - forudsige, hvordan det kan ændre sig i fremtiden under påvirkning af menneskelige aktiviteter. Hvordan de stadig mere anvendte metoder til kunstig intelligens (AI) kan bidrage til at forbedre disse prognoser, og hvor grænserne for de to tilgange ligger, er nu blevet undersøgt af et internationalt team ledet af Christopher Irrgang fra det tyske forskningscenter for geovidenskab Potsdam (GFZ) i en perspektiveringsartikel til tidsskriftet Nature Machine Intelligence . Et centralt forslag:At fusionere begge tilgange til en selvlærende "neural jordsystemmodellering".

Jorden som system - en udfordring

Jordens udvikling er et komplekst samspil mellem mange faktorer, herunder landoverfladen med flora og fauna, havene med deres økosystem, polarområderne, atmosfæren, kulstofcyklussen og andre biogeokemiske cyklusser, og strålingsprocesser. Forskere taler derfor om Jordsystemet.

Med så mange sammenkoblede sfærer og indflydelsesfaktorer, det er en stor udfordring at forudsige fremtidige scenarier, som det kræves, for eksempel, i forbindelse med forskning i klimaforandringer. "Der er gjort enorme fremskridt her i de seneste år, "siger Christopher Irrgang, hovedforfatter af undersøgelsen og postdoktoral forsker i afsnittet "Earth System Modeling" på GFZ. For eksempel, den nyligt offentliggjorte sjette vurderingsrapport fra IPCC opsummerer vores nuværende viden om de fremtidige virkninger af forskellige drivhusgasemissionsscenarier mere detaljeret end nogensinde før.

Rapporten bygger på, på den ene side, på mere og mere omfattende og detaljerede fund fra observationer og målinger af Jordsystemet for at vurdere tidligere opvarmning og dens virkninger, for eksempel i form af stigende ekstreme hændelser, og på den anden side på et stort antal simuleringer udført med state-of-the-art jordsystemmodeller (ESM'er).

Klassisk modellering af jordsystemer med store fremskridt

Klassiske jordsystemmodeller er baseret på både velkendte og mindre kendte fysiske love. Ved hjælp af matematiske og numeriske metoder, systemets tilstand på et fremtidigt tidspunkt beregnes ud fra, hvad der vides om systemets tilstand på et nuværende eller tidligere tidspunkt.

De underliggende modeller er forbedret løbende i de seneste årtier:Et hidtil uset antal undersystemer og processer på Jorden kan tages i betragtning, herunder - til en vis grad - så komplekse nøgleprocesser som effekterne af skyer. Deres præstationer demonstreres, for eksempel, ved, at de nøjagtigt kan spore udviklingen af ​​globale gennemsnitstemperaturer siden begyndelsen af ​​dataindsamling. I dag, det er også muligt at drage konklusioner om virkningerne af klimaændringer på regionalt plan.

Begrænsninger

Prisen, imidlertid, er, at de stadig mere komplekse ESM'er kræver enorme beregningsressourcer. På trods af denne udvikling, selv forudsigelserne om de nyeste modeller indeholder usikkerheder. For eksempel, de har en tendens til at undervurdere styrken og hyppigheden af ​​ekstreme hændelser. Forskere frygter, at der kan forekomme pludselige ændringer i visse undersystemer på Jorden, såkaldte vippeelementer i klimasystemet, som de klassiske modelleringsmetoder ikke kan forudsige præcist. Og mange vigtige processer, f.eks. typen af ​​arealanvendelse eller tilgængeligheden af ​​vand og næringsstoffer, kan (endnu) ikke repræsenteres godt.

Maskinlæringsmetoder gør indhug

Udfordringerne ved klassisk ESM -tilgang, men også de stadigt stigende mængder af tilgængelige jordobservationer, åbne feltet for brug af kunstig intelligens. Dette omfatter, for eksempel, machine learning (ML) metoder såsom neurale netværk, tilfældige skove eller understøtter vektormaskiner. Deres fordel er, at de er selvlærende systemer, der ikke kræver viden om de-muligvis meget komplekse eller ikke engang fuldt kendte-fysiske love og relationer. I stedet, de trænes i store datasæt til specifikke opgaver og lærer selv den underliggende systematik. Dette fleksible og kraftfulde koncept kan udvides til næsten enhver ønsket kompleksitet.

For eksempel, et neuralt netværk kan trænes til at genkende og klassificere mønstre i satellitbilleder, såsom skystrukturer, havvirvler eller afgrødekvalitet. Eller den lærer at lave en vejrudsigt baseret på tidligere rekorder, modeller og fysiske balance ligninger.

"Selvom de første undersøgelser viste, at maskinlæringskoncepter allerede kan bruges til billedanalyse i begyndelsen af ​​1990'erne, "Cambrian -eksplosionen" af AI inden for jord- og klimavidenskab har kun fundet sted i cirka fem år, "Irrgang bemærker. Ikke mindst fordi puljer af målinger og modeldata vokser dagligt og flere og flere brugsklare ML-biblioteker er tilgængelige.

Kan man stole på resultaterne af kunstig intelligens?

Imidlertid, det skal ses, i hvilket omfang denne selvlærende tilgang faktisk kan udvide eller endda erstatte klassiske modelleringsmetoder. Fordi maskinlæring også-stadig-har sine faldgruber:"Mange af nutidens ML-applikationer til klimavidenskab er proof-of-concept undersøgelser, der fungerer i et forenklet miljø. Yderligere forskning vil fortælle, hvor godt dette er egnet til operationel og pålidelig brug, "Irrgang opsummerer.

Et andet afgørende aspekt:​​Som i en sort boks, input og output kendes, men processerne bag dem for at opnå viden er ikke. Dette forårsager problemer med at validere resultaterne for fysisk konsistens, selvom de virker troværdige. "Fortolkbarhed og forklarelighed er vigtige spørgsmål i forbindelse med maskinlæring, der skal forbedres i fremtiden for at styrke gennemsigtighed og tillid til metoden. Især når resultaterne af forudsigelserne er et vigtigt grundlag for politiske beslutninger, som det er tilfældet inden for klimaforskning, "understreger forfatterne til undersøgelsen.

En ny og hurtigt udviklende tredje måde:Hybrider af ESM og AI

I denne publikation, teamet omkring matematikeren foreslår en tredje måde:Sammensmeltningen af ​​de to tilgange, der er diskuteret ovenfor, til en "neural jordsystemmodellering". På denne måde, de respektive styrker kunne kombineres og deres grænser forlænges. De første lovende skridt på denne vej er allerede taget. For eksempel, ML bruges ikke længere kun til ren dataanalyse, men også at overtage eller fremskynde visse procestrin inden for rammerne af klassiske ESM'er. Dette ville derefter frigøre computerkapacitet, der kunne strømme ind i yderligere modelforbedringer.

I fremtiden, nye grænseflader kan etablere en dynamisk informationsudveksling mellem de to tilgange, så de løbende forbedrer hinanden. Denne dybe forlængelse af klassisk procesbaseret jord- og klimaforskning løfter Neural Earth System Modeling til en ny og hurtigt voksende forskningsgren. Kernen er et hybridsystem, der kan teste, korrekt, og forbedre deres fysiske konsistens og, dermed, give mulighed for mere præcise forudsigelser af geofysiske og klimarelevante processer.

På nuværende tidspunkt, Irrgang og hans kolleger konkluderer, at AI og hybridmetoden stadig indeholder høje risici og faldgruber, og det er langt fra klart, at den aktuelle hype omkring brugen af ​​kunstig intelligens - i det mindste alene - vil løse de åbne problemer med jord- og klimaforskning. Under alle omstændigheder, imidlertid, det er værd at forfølge denne vej. For at dette kan ske, imidlertid, tæt samarbejde mellem klima- og jordforskning på den ene side og AI -eksperter på den anden side vil blive mere og mere vigtigt.