Moln kan vara fläckiga bloss av vattenånga som driver genom himlen, men de är beräkningsmässigt tunga lyft för forskare som vill inkludera dem i klimatsimuleringar. Forskare från University of California, Irvine, Ludwig Maximilian University i München och Columbia University har vänt sig till datavetenskap för att uppnå bättre resultat för cumulusberäkning.

Deras arbete beskrivs detaljerat i en studie som nyligen publicerats av Proceedings of the National Academy of Sciences .

"Moln spelar en stor roll i jordens klimat genom att transportera värme och fukt, reflekterar och absorberar solens strålar, fångar infraröda värmestrålar och producerar nederbörd, " sa medförfattaren Michael Pritchard, UCI biträdande professor i jordsystemvetenskap. "Men de kan vara så små som några hundra meter, mycket mindre än en standardupplösning för klimatmodeller på 50 till 100 kilometer, så att simulera dem på lämpligt sätt tar en enorm mängd datorkraft och tid."

Standardmodeller för klimatförutsägelser approximerar molnfysiken med hjälp av enkla numeriska algoritmer som bygger på ofullkomliga antaganden om de involverade processerna. Pritchard sa att även om de kan hjälpa till att producera simuleringar som sträcker sig så mycket som ett sekel, det finns några brister som begränsar deras användbarhet, som att indikera duggregn istället för mer realistiskt regn och att helt sakna andra vanliga vädermönster.

Enligt Pritchard, klimatgemenskapen är överens om fördelarna med högfientliga simuleringar som stödjer en rik mångfald av molnsystem i naturen.

"Men brist på superdatorström, eller fel typ, betyder att det fortfarande är långt kvar, " sa han. "Under tiden, fältet måste hantera enorma felmarginaler i frågor som rör förändringar i framtida nederbörd och hur molnförändringar kommer att förstärka eller motverka den globala uppvärmningen från växthusgasutsläpp. "

Teamet ville undersöka om djup maskininlärning kan ge en effektiv, objektiva och datadrivna alternativ som snabbt skulle kunna implementeras i vanliga klimatprognoser. Metoden bygger på datoralgoritmer som efterliknar det mänskliga sinnets tänkande och inlärningsförmåga.

De började med att träna ett djupt neuralt nätverk för att förutsäga resultaten av tusentals små, tvådimensionell, molnlösande modeller när de interagerade med planetariska vädermönster i en fiktiv havsvärld.

Det nylärda programmet, kallad "The Cloud Brain, "fungerade fritt i klimatmodellen, enligt forskarna, leder till stabila och exakta fleråriga simuleringar som inkluderade realistiska nederbördsextremer och tropiska vågor.

"Det neurala nätverket lärde sig att ungefär representera de grundläggande fysiska begränsningarna på hur moln flyttar värme och ånga runt utan att uttryckligen uppmanas att göra det, och arbetet utfördes med en bråkdel av processorkraften och den tid som behövdes enligt den ursprungliga molnmodelleringsmetoden, " sa huvudförfattaren Stephan Rasp, en LMU-doktorand i meteorologi som började samarbeta med Pritchard i detta projekt som gästforskare vid UCI.

"Jag är väldigt exalterad över att det bara tog tre simulerade månader av modellutdata för att träna detta neurala nätverk, ", sa Pritchard. "Du kan göra mycket mer rättvisa åt molnfysiken om du bara behöver simulera hundra dagar av global atmosfär. Nu när vi vet att det är möjligt, det ska bli intressant att se hur detta tillvägagångssätt klarar sig när det implementeras på några riktigt rika träningsdata."

Forskarna avser att genomföra uppföljningsstudier för att utöka sin metodik till knepigare modelluppsättningar, inklusive realistisk geografi, och att förstå begränsningarna för maskininlärning för interpolation kontra extrapolering bortom dess träningsdatauppsättning – en nyckelfråga för vissa klimatförändringstillämpningar som tas upp i artikeln.

"Vår studie visar en tydlig potential för datadrivna klimat- och vädermodeller, ", sa Pritchard. "Vi har sett datorseende och naturlig språkbehandling börja förändra andra vetenskapsområden, som fysik, biologi och kemi. Det är vettigt att tillämpa några av dessa nya principer på klimatvetenskap, som, trots allt, är starkt centrerad på stora datamängder, speciellt dessa dagar när nya typer av globala modeller börjar lösa faktiska moln och turbulens."

Pierre Gentine, docent i jord- och miljöteknik vid Columbia University, deltog också i denna studie, som finansierades av det amerikanska energidepartementet, NASA, National Science Foundation och German Research Foundation.

Om University of California, Irvine:Grundades 1965, UCI är den yngsta medlemmen i den prestigefyllda Association of American Universities. Campus har producerat tre Nobelpristagare och är känt för sina akademiska prestationer, främsta forskning, innovation och myrslokmaskot. Leds av kansler Howard Gillman, UCI har mer än 30, 000 studenter och erbjuder 192 examensprogram. Det ligger i ett av världens säkraste och mest ekonomiskt levande samhällen och är Orange County näst största arbetsgivare, bidrar med 5 miljarder dollar årligen till den lokala ekonomin. För mer om UCI, besök http://www.uci.edu.