Realistische klimaatsimulaties vereisen enorme reserves aan rekenkracht. Een LMU-studie toont nu aan dat nieuwe algoritmen het mogelijk maken om interacties in de atmosfeer sneller te modelleren zonder verlies van betrouwbaarheid.

Het voorspellen van mondiale en lokale klimaten vereist de constructie en het testen van wiskundige klimaatmodellen. Aangezien dergelijke modellen een overvloed aan fysieke processen en interacties moeten bevatten, klimaatsimulaties vereisen enorme hoeveelheden rekenkracht. En zelfs de beste modellen hebben onvermijdelijk beperkingen, omdat de betrokken verschijnselen nooit in voldoende detail kunnen worden gemodelleerd. In een project uitgevoerd in het kader van het DFG-gefinancierde Collaborative Research Centre "Waves to Weather", Stephan Rasp van het Institute of Theoretical Meteorology bij LMU (directeur:professor George Craig) heeft zich nu gebogen over de vraag of de toepassing van kunstmatige intelligentie de effectiviteit van klimaatmodellering kan verbeteren. De studie, die werd uitgevoerd in samenwerking met professor Mike Pritchard van de Universiteit van Californië in Irvine und Pierre Gentine van de Columbia University in New York, verschijnt in het journaal PNAS .

Algemene circulatiemodellen simuleren typisch het globale gedrag van de atmosfeer op roosters waarvan de cellen een afmeting hebben van ongeveer 50 km. Zelfs met behulp van ultramoderne supercomputers zijn de relevante fysieke processen die in de atmosfeer plaatsvinden eenvoudigweg te complex om op het noodzakelijke detailniveau te worden gemodelleerd. Een prominent voorbeeld betreft het modelleren van wolken die een cruciale invloed hebben op het klimaat. Ze transporteren warmte en vocht, neerslag produceren, evenals absorberen en reflecteren zonnestraling, bijvoorbeeld. Veel wolken strekken zich uit over afstanden van slechts een paar honderd meter, veel kleiner dan de rastercellen die doorgaans in simulaties worden gebruikt - en ze zijn zeer dynamisch. Beide functies maken het extreem moeilijk om realistisch te modelleren. Daarom missen de huidige klimaatmodellen ten minste één essentieel ingrediënt, en in dit opzicht geven slechts een benaderende beschrijving van het aardsysteem.

In de nieuwe studie Rasp en zijn co-auteurs hebben een vorm van machine learning gebruikt, bekend als neurale netwerken, om adaptief een algoritme af te stemmen dat is ontworpen om cloudgedrag vast te leggen. Het algoritme is getraind met behulp van gegevens die zijn verkregen uit simulaties met hoge resolutie die expliciet de warmteoverdracht van wolken omvatten. "Na de trainingsperiode het algoritme was niet alleen in staat om de resultaten te reproduceren die met de fijne schaal werden verkregen, cloud-oplossend model, maar deed het veel efficiënter, " zegt Stephan Rasp. Volgens George Craig, "de studie toont aan dat de methode het potentieel heeft om complexe fenomenen in meer detail te beschrijven en belooft daarom de kwaliteit van klimaatsimulaties te verbeteren."

In deze eerste test de auteurs gebruikten een geïdealiseerd model om de haalbaarheid van de aanpak met verminderde complexiteit te testen. In de volgende stap, Rasp, Pritchard en Gentine zijn van plan om het algoritme te trainen met echte gegevens.