• Home
  • Chimica
  • Astronomia
  • Energia
  • Natura
  • Biologia
  • Fisica
  • Elettronica
  •  science >> Scienza >  >> Natura
    L'intelligenza artificiale accelera i calcoli climatici

    I modelli di circolazione generale simulano tipicamente il comportamento globale dell'atmosfera su griglie le cui celle hanno dimensioni di circa 50 km. Ma molte nuvole si estendono su distanze di poche centinaia di metri, molto più piccole delle celle della griglia tipicamente utilizzate nelle simulazioni e sono altamente dinamiche. Entrambe le caratteristiche li rendono estremamente difficili da modellare realisticamente. Credito:Robert Kneschke / fotolia

    Le simulazioni climatiche realistiche richiedono enormi riserve di potenza di calcolo. Uno studio LMU mostra ora che i nuovi algoritmi consentono di modellare le interazioni nell'atmosfera più rapidamente senza perdita di affidabilità.

    La previsione dei climi globali e locali richiede la costruzione e la verifica di modelli climatici matematici. Poiché tali modelli devono incorporare una pletora di processi fisici e interazioni, le simulazioni climatiche richiedono enormi quantità di potenza di calcolo. E anche i migliori modelli hanno inevitabilmente dei limiti, poiché i fenomeni coinvolti non possono mai essere modellati in modo sufficientemente dettagliato. In un progetto svolto nell'ambito del Centro di ricerca collaborativo finanziato da DFG "Waves to Weather", Stephan Rasp dell'Istituto di Meteorologia Teorica della LMU (Direttore:Professor George Craig) ha ora esaminato la questione se l'applicazione dell'intelligenza artificiale possa migliorare l'efficacia dei modelli climatici. Lo studio, che è stato eseguito in collaborazione con il professor Mike Pritchard dell'Università della California a Irvine e Pierre Gentine della Columbia University di New York, appare nel diario PNAS .

    I modelli di circolazione generale simulano tipicamente il comportamento globale dell'atmosfera su griglie le cui celle hanno dimensioni di circa 50 km. Anche utilizzando supercomputer all'avanguardia, i processi fisici rilevanti che avvengono nell'atmosfera sono semplicemente troppo complessi per essere modellati al livello di dettaglio necessario. Un esempio importante riguarda la modellazione delle nuvole che hanno un'influenza cruciale sul clima. Trasportano calore e umidità, produrre precipitazioni, oltre ad assorbire e riflettere la radiazione solare, ad esempio. Molte nuvole si estendono su distanze di poche centinaia di metri, molto più piccole delle celle della griglia tipicamente utilizzate nelle simulazioni e sono altamente dinamiche. Entrambe le caratteristiche li rendono estremamente difficili da modellare realisticamente. Quindi i modelli climatici odierni mancano di almeno un ingrediente vitale, e a questo proposito, fornire solo una descrizione approssimativa del sistema Terra.

    Nel nuovo studio, Rasp e i suoi coautori hanno utilizzato una forma di apprendimento automatico nota come reti neurali per mettere a punto in modo adattivo un algoritmo progettato per catturare il comportamento del cloud. L'algoritmo è stato addestrato utilizzando i dati ottenuti da simulazioni ad alta risoluzione che includevano esplicitamente il trasferimento di calore delle nuvole. "Dopo il periodo di formazione, l'algoritmo non solo è stato in grado di riprodurre i risultati ottenuti con la scala fine, modello di risoluzione cloud, ma ha fatto in modo molto più efficiente, " dice Stephan Rasp. Secondo George Craig, "lo studio mostra che il metodo ha il potenziale per descrivere fenomeni complessi in modo più dettagliato e quindi promette di migliorare la qualità delle simulazioni climatiche".

    In questa prima prova, gli autori hanno utilizzato un modello idealizzato per testare la fattibilità dell'approccio con complessità ridotta. Nel passaggio successivo, Raspa, Pritchard e Gentine intendono addestrare l'algoritmo con dati reali.


    © Scienza https://it.scienceaq.com