Balancering af AI og fysik:Mod en lærebar klimamodel

Kunstig intelligens (AI) bringer bemærkelsesværdige ændringer til atmosfærisk videnskab, især med introduktionen af ​​store AI-vejrmodeller som Pangu-Weather og GraphCast. Men sideløbende med disse fremskridt er der opstået spørgsmål om tilpasningen af ​​disse modeller til grundlæggende fysikprincipper.

Tidligere undersøgelser har vist, at Pangu-Weather nøjagtigt kan replikere visse klimamønstre som tropiske Gill-responser og ekstra-tropiske teleforbindelser gennem kvalitativ analyse. Imidlertid har kvantitative undersøgelser afsløret betydelige forskelle i vindkomponenter, såsom divergerende vinde og ageostrofiske vinde, inden for nuværende AI-vejrmodeller. På trods af disse resultater er der stadig bekymring for, at vigtigheden af ​​fysik i klimavidenskab nogle gange overses.

"Den kvalitative vurdering finder, at AI-modeller kunne forstå og lære rumlige mønstre i vejr- og klimadata. På den anden side fremhæver den kvantitative tilgang en begrænsning:nuværende AI-modeller kæmper for at lære bestemte vindmønstre og stoler i stedet udelukkende på den samlede vindhastighed." forklarer professor Gang Huang fra Institute of Atmospheric Physics (IAP) ved det kinesiske videnskabsakademi.

"Dette understreger behovet for omfattende dynamisk diagnostik af AI-modeller. Kun gennem en holistisk analyse kan vi øge vores forståelse og pålægge nødvendige fysiske begrænsninger."

Forskere, herunder samarbejdspartnere fra IAP, Seoul National University og Tongji University, går ind for en samarbejdstilgang mellem kunstig intelligens og fysik i klimamodellering, der bevæger sig ud over ideen om et "enten-eller"-scenarie.

Professor Huang siger, "Mens AI udmærker sig ved at fange rumlige forhold inden for vejr- og klimadata, kæmper den med nuancerede fysiske komponenter som divergerende vinde og ageostrofiske vinde. Dette understreger nødvendigheden af ​​streng dynamisk diagnostik for at håndhæve fysiske begrænsninger."

Udgivet i Advances in Atmospheric Sciences , deres perspektivpapir illustrerer metoder til at pålægge både bløde og hårde fysiske begrænsninger på AI-modeller, hvilket sikrer overensstemmelse med kendt atmosfærisk dynamik.

Derudover går teamet ind for en overgang fra offline til online parameteriseringsordninger for at opnå global optimalitet i modelvægte og derved fremme fuldt koblede fysik-AI balancerede klimamodeller. Dr. Ya Wang siger:"Denne integration muliggør iterativ optimering, der transformerer vores modeller til virkeligt lærelige systemer."

I erkendelse af vigtigheden af ​​samfundssamarbejde fremmer forskerne en kultur af åbenhed, sammenlignelighed og reproducerbarhed (OCR). Ved at omfavne principper, der ligner dem i AI- og computervidenskabssamfundene, tror de på at dyrke en kultur, der fremmer udviklingen af ​​en virkelig lærebar klimamodel.

Sammenfattende, ved at syntetisere AI's rumlige dygtighed med fysikkens grundlæggende principper og fremme et kollaborativt fællesskab, sigter forskerne på at realisere en klimamodel, der sømløst blander AI og fysik, hvilket repræsenterer et væsentligt skridt fremad inden for klimavidenskab.

Flere oplysninger: Gang Huang et al., Toward a Learnable Climate Model in the Artificial Intelligence Era, Advances in Atmospheric Sciences (2024). DOI:10.1007/s00376-024-3305-9

Journaloplysninger: Fremskridt inden for atmosfæriske videnskaber

Leveret af Chinese Academy of Sciences