Realistiska klimatsimuleringar kräver enorma reserver av beräkningskraft. En LMU-studie visar nu att nya algoritmer gör att interaktioner i atmosfären kan modelleras snabbare utan förlust av tillförlitlighet.

Att förutse globala och lokala klimat kräver konstruktion och testning av matematiska klimatmodeller. Eftersom sådana modeller måste innehålla en uppsjö av fysiska processer och interaktioner, klimatsimuleringar kräver enorma mängder beräkningskraft. Och även de bästa modellerna har oundvikligen begränsningar, eftersom de inblandade fenomenen aldrig kan modelleras tillräckligt detaljerat. I ett projekt genomfört inom ramen för det DFG-finansierade Collaborative Research Centre "Waves to Weather", Stephan Rasp vid Institutet för teoretisk meteorologi vid LMU (Rektor:Professor George Craig) har nu tittat på frågan om tillämpningen av artificiell intelligens kan förbättra effektiviteten av klimatmodellering. Studien, som framfördes i samarbete med professor Mike Pritchard vid University of California vid Irvine och Pierre Gentine vid Columbia University i New York, dyker upp i journalen PNAS .

Generella cirkulationsmodeller simulerar vanligtvis atmosfärens globala beteende på rutnät vars celler har dimensioner på cirka 50 km. Även med användning av toppmoderna superdatorer är de relevanta fysiska processerna som äger rum i atmosfären helt enkelt för komplexa för att kunna modelleras på den nödvändiga detaljnivån. Ett framträdande exempel gäller modellering av moln som har en avgörande inverkan på klimatet. De transporterar värme och fukt, producera nederbörd, samt absorbera och reflektera solstrålning, till exempel. Många moln sträcker sig över avstånd på bara några hundra meter, mycket mindre än de rutnätsceller som vanligtvis används i simuleringar – och de är mycket dynamiska. Båda funktionerna gör dem extremt svåra att modellera realistiskt. Därför saknar dagens klimatmodeller minst en viktig ingrediens, och i detta avseende, ge endast en ungefärlig beskrivning av jordsystemet.

I den nya studien, Rasp och hans medförfattare har använt en form av maskininlärning som kallas neurala nätverk för att adaptivt ställa in en algoritm utformad för att fånga molnbeteende. Algoritmen tränades med hjälp av data som erhållits från högupplösta simuleringar som uttryckligen inkluderade värmeöverföring av moln. "Efter träningsperioden, Algoritmen kunde inte bara reproducera resultaten som erhölls med finskalan, molnlösningsmodell, men gjorde så mycket mer effektivt, " säger Stephan Rasp. Enligt George Craig, "studien visar att metoden har potential att beskriva komplexa fenomen mer i detalj och lovar därför att förbättra kvaliteten på klimatsimuleringar."

I detta första test, författarna använde en idealiserad modell för att testa genomförbarheten av tillvägagångssättet med reducerad komplexitet. I nästa steg, Rasp, Pritchard och Gentine planerar att träna algoritmen med riktiga data.