Eerdere studies hebben aangetoond dat Pangu-Weather bepaalde klimaatpatronen, zoals tropische Gill-reacties en extra-tropische televerbindingen, nauwkeurig kan repliceren door middel van kwalitatieve analyse. Kwantitatief onderzoek heeft echter significante verschillen aan het licht gebracht in windcomponenten, zoals uiteenlopende winden en ageostrofische winden, binnen de huidige AI-weermodellen. Ondanks deze bevindingen bestaan ​​er nog steeds zorgen dat het belang van de natuurkunde in de klimaatwetenschap soms over het hoofd wordt gezien.

“Uit de kwalitatieve beoordeling blijkt dat AI-modellen ruimtelijke patronen in weer- en klimaatgegevens kunnen begrijpen en leren. Aan de andere kant benadrukt de kwantitatieve benadering een beperking:de huidige AI-modellen hebben moeite om bepaalde windpatronen te leren en vertrouwen in plaats daarvan uitsluitend op de totale windsnelheid,” legt professor Gang Huang van het Institute of Atmospheric Physics (IAP) van de Chinese Academie van Wetenschappen uit.

"Dit onderstreept de noodzaak van uitgebreide dynamische diagnostiek van AI-modellen. Alleen door een holistische analyse kunnen we ons begrip vergroten en de nodige fysieke beperkingen opleggen."

Onderzoekers, waaronder medewerkers van het IAP, Seoul National University en Tongji University, pleiten voor een gezamenlijke aanpak tussen AI en natuurkunde bij klimaatmodellering, waarbij ze verder gaan dan het idee van een ‘of-of’-scenario.

Professor Huang zegt:"Hoewel AI uitblinkt in het vastleggen van ruimtelijke relaties binnen weer- en klimaatgegevens, worstelt het met genuanceerde fysieke componenten zoals uiteenlopende winden en ageostrofische winden. Dit onderstreept de noodzaak van rigoureuze dynamische diagnostiek om fysieke beperkingen af ​​te dwingen."

Gepubliceerd in Advances in Atmospheric Sciences , illustreert hun perspectiefpaper methoden om zowel zachte als harde fysieke beperkingen op te leggen aan AI-modellen, waardoor consistentie met bekende atmosferische dynamiek wordt gegarandeerd.

Bovendien pleit het team voor een transitie van offline naar online parameterisatieschema’s om mondiale optimaliteit in modelgewichten te bereiken, waardoor volledig gekoppelde fysica-AI-gebalanceerde klimaatmodellen worden bevorderd. Dr. Ya Wang zegt:"Deze integratie maakt iteratieve optimalisatie mogelijk, waardoor onze modellen worden omgezet in werkelijk leerbare systemen."

De onderzoekers erkennen het belang van samenwerking binnen de gemeenschap en bevorderen een cultuur van openheid, vergelijkbaarheid en reproduceerbaarheid (OCR). Door principes te omarmen die vergelijkbaar zijn met die in de AI- en computerwetenschapsgemeenschappen, geloven ze in het cultiveren van een cultuur die bevorderlijk is voor de ontwikkeling van een echt leerbaar klimaatmodel.

Samenvattend:door de ruimtelijke bekwaamheid van AI te synthetiseren met de fundamentele principes van de natuurkunde en een samenwerkende gemeenschap te bevorderen, streven onderzoekers ernaar een klimaatmodel te realiseren dat AI en natuurkunde naadloos combineert, wat een belangrijke stap voorwaarts betekent in de klimaatwetenschap.

Meer informatie: Gang Huang et al., Op weg naar een leerbaar klimaatmodel in het tijdperk van kunstmatige intelligentie, Vooruitgang in de atmosfeerwetenschappen (2024). DOI:10.1007/s00376-024-3305-9

Journaalinformatie: Vooruitgang in de atmosfeerwetenschappen

Aangeboden door de Chinese Academie van Wetenschappen