Klimasimulering mere realistisk med kunstig intelligens

Nøjagtig modellering af ekstreme nedbørshændelser er fortsat en stor udfordring for klimamodeller. Disse modeller forudsiger, hvordan jordens klima kan ændre sig i løbet af årtier og endda århundreder. For at forbedre dem, især med hensyn til ekstreme begivenheder, bruger forskere nu maskinlæringsmetoder, der ellers anvendes til billedgenerering.

Computere bruger allerede kunstig intelligens til at forbedre opløsningen af ​​uklare billeder, til at skabe billeder, der efterligner bestemte malers stil baseret på fotografier, eller til at gengive realistiske portrætter af mennesker, der faktisk ikke eksisterer. Den underliggende metode er baseret på det, der omtales som GAN'er (Generative Adversarial Networks).

Et hold ledet af Niklas Boers, professor i jordsystemmodellering ved det tekniske universitet i München (TUM) og forsker ved Potsdam Institute for Climate Impact Research (PIK), anvender nu disse maskinlæringsalgoritmer til klimaforskning. Forskergruppen har for nylig offentliggjort sine resultater i Nature Machine Intelligence .

Ikke alle processer kan tages i betragtning

"Klimamodeller adskiller sig fra de modeller, der bruges til at lave vejrudsigter, især med hensyn til deres bredere tidshorisont. Prognosehorisonten for vejrudsigter er flere dage, mens klimamodeller udfører simuleringer over årtier eller endda århundreder," forklarer Philipp Hess, hovedforfatter. af studie- og forskningsassistenten ved TUM Professoratet for Earth System Modeling.

Vejret kan forudsiges nogenlunde nøjagtigt i et par dage; forudsigelsen kan så efterfølgende verificeres ud fra faktiske observationer. Når det kommer til klima, er målet dog ikke en tidsbaseret forudsigelse, men blandt andet fremskrivninger af, hvordan stigende drivhusgasemissioner vil påvirke Jordens klima på længere sigt.

Klimamodeller kan dog stadig ikke tage perfekt højde for alle relevante klimaprocesser. Det skyldes på den ene side, at nogle processer endnu ikke er blevet forstået tilstrækkeligt, og på den anden side, at detaljerede simuleringer ville tage for lang tid og kræve for meget computerkraft. "Som et resultat kan klimamodeller stadig ikke repræsentere ekstreme nedbørshændelser, som vi gerne vil. Derfor begyndte vi at bruge GAN'er til at optimere disse modeller med hensyn til deres nedbørsoutput," siger Niklas Boers.

Optimering af klimamodeller med vejrdata

Groft sagt består et GAN af to neurale netværk. Det ene netværk forsøger at skabe et eksempel fra et tidligere defineret produkt, mens det andet forsøger at skelne dette kunstigt genererede eksempel fra virkelige eksempler. De to netværk konkurrerer således med hinanden og forbedres løbende i processen.

En praktisk anvendelse af GAN'er ville være at "oversætte" landskabsmalerier til realistiske fotografier. De to neurale netværk tager fotorealistiske billeder genereret på baggrund af maleriet og sender dem frem og tilbage, indtil de skabte billeder ikke længere kan skelnes fra rigtige fotografier.

Niklas Boers' team tog en lignende tilgang:Forskerne brugte en forholdsvis simpel klimamodel til at demonstrere potentialet ved at bruge maskinlæring til at forbedre sådanne modeller. Holdets algoritmer bruger observerede vejrdata. Ved at bruge disse data trænede holdet GAN i at ændre simuleringerne af klimamodellen, så de ikke længere kunne skelnes fra faktiske vejrobservationer.

"På denne måde kan detaljeringsgraden og realismen øges uden behov for komplicerede yderligere procesberegninger," siger Markus Drücke, klimamodeller hos PIK og medforfatter af undersøgelsen.

GAN'er kan reducere elforbruget i klimamodellering

Selv relativt simple klimamodeller er komplekse og behandles ved hjælp af supercomputere, som forbruger store mængder energi. Jo flere detaljer modellen tager højde for, jo mere komplicerede bliver beregningerne, og jo større forbrug af el. Beregningerne involveret i at anvende en trænet GAN til en klimasimulering er dog ubetydelige sammenlignet med mængden af ​​beregninger, der kræves for selve klimamodellen.

"At bruge GAN'er til at gøre klimamodeller mere detaljerede og mere realistiske er således praktisk ikke kun til forbedring og acceleration af simuleringerne, men også med hensyn til at spare elektricitet," siger Philipp Hess. + Udforsk yderligere

Ny undersøgelse vil hjælpe med at skærpe nøjagtigheden af ​​klimaændringsmodeller og vejrudsigter