Artificiell intelligens (AI) medför anmärkningsvärda förändringar i atmosfärsvetenskapen, särskilt med introduktionen av stora AI-vädermodeller som Pangu-Weather och GraphCast. Men vid sidan av dessa framsteg har frågor uppstått om hur dessa modeller anpassas till grundläggande fysikprinciper.
Tidigare studier har visat att Pangu-Weather exakt kan replikera vissa klimatmönster som tropiska Gill-svar och extratropiska teleförbindelser genom kvalitativ analys. Kvantitativa undersökningar har dock avslöjat betydande skillnader i vindkomponenter, såsom divergerande vindar och ageostrofiska vindar, inom nuvarande AI-vädermodeller. Trots dessa fynd finns det fortfarande farhågor om att fysikens betydelse i klimatvetenskapen ibland förbises.
"Den kvalitativa bedömningen finner att AI-modeller kan förstå och lära sig rumsliga mönster i väder- och klimatdata. Å andra sidan belyser det kvantitativa tillvägagångssättet en begränsning:nuvarande AI-modeller kämpar för att lära sig vissa vindmönster och förlitar sig istället enbart på total vindhastighet." förklarar professor Gang Huang från Institute of Atmospheric Physics (IAP) vid den kinesiska vetenskapsakademin.
"Detta understryker behovet av omfattande dynamisk diagnostik av AI-modeller. Endast genom en holistisk analys kan vi öka vår förståelse och införa nödvändiga fysiska begränsningar."
Forskare, inklusive medarbetare från IAP, Seoul National University och Tongji University, förespråkar en samarbetsstrategi mellan AI och fysik i klimatmodellering, som går bortom idén om ett "antingen-eller"-scenario.
Professor Huang säger, "Även om AI utmärker sig när det gäller att fånga rumsliga relationer inom väder- och klimatdata, kämpar den med nyanserade fysiska komponenter som divergerande vindar och geostrofiska vindar. Detta understryker nödvändigheten av rigorös dynamisk diagnostik för att upprätthålla fysiska begränsningar."
Publicerad i Advances in Atmospheric Sciences , deras perspektivpapper illustrerar metoder för att införa både mjuka och hårda fysiska begränsningar på AI-modeller, vilket säkerställer överensstämmelse med känd atmosfärisk dynamik.
Dessutom förespråkar teamet en övergång från offline- till onlineparameteriseringsscheman för att uppnå global optimalitet i modellvikter, och därigenom främja helt kopplade fysik-AI-balanserade klimatmodeller. Dr. Ya Wang säger:"Denna integration möjliggör iterativ optimering och förvandlar våra modeller till verkligt lärbara system."
Forskarna inser vikten av samhällssamarbete och främjar en kultur av öppenhet, jämförbarhet och reproducerbarhet (OCR). Genom att anamma principer som liknar dem i AI- och datavetenskapsgemenskaperna tror de på att odla en kultur som bidrar till utvecklingen av en verkligt lärbar klimatmodell.
Sammanfattningsvis, genom att syntetisera AI:s rumsliga skicklighet med fysikens grundläggande principer och främja en samarbetsgemenskap, strävar forskarna efter att förverkliga en klimatmodell som sömlöst blandar AI och fysik, vilket representerar ett betydande steg framåt inom klimatvetenskapen.
Mer information: 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
Journalinformation: Framsteg inom atmosfärsvetenskap
Tillhandahålls av Chinese Academy of Sciences
