Klimaatmodel combineert generatieve AI en fysica-data voor 25 keer snellere voorspellingen van patronen

Een momentopname van de klimaat simulatie gegenereerd door het Spherical DYffusion model. Het algoritme achter generatieve AI-tools zoals DallE, in combinatie met op fysica gebaseerde data, kan worden gebruikt om betere manieren te ontwikkelen om het klimaat van de aarde te modelleren. Computerwetenschappers in Seattle en San Diego hebben deze combinatie nu gebruikt om een model te creëren dat in staat is om klimaatpatronen over 100 jaar 25 keer sneller te voorspellen dan de huidige standaarden.

Specifiek kan het model, genaamd Spherical DYffusion, 100 jaar aan klimaatpatronen projecteren in 25 uur – een simulatie die voor andere modellen weken zou duren. Bovendien moeten bestaande geavanceerde modellen draaien op supercomputers. Dit model kan echter draaien op GPU-clusters in een onderzoekslaboratorium. “Data-gedreven deep learning-modellen staan op het punt om de wereldwijde weers- en klimaatmodellering te transformeren,” schrijven de onderzoekers van de Universiteit van Californië, San Diego, en het Allen Institute for AI.

Het onderzoeksteam presenteert hun werk op de NeurIPS-conferentie 2024, die van 9 tot 15 december in Vancouver, Canada, plaatsvindt.

Klimaatsimulaties zijn momenteel zeer kostbaar om te genereren vanwege hun complexiteit. Als gevolg hiervan kunnen wetenschappers en beleidsmakers slechts een beperkte tijd simulaties uitvoeren en slechts een beperkt aantal scenario’s overwegen. Een van de belangrijkste inzichten van de onderzoekers was dat generatieve AI-modellen, zoals diffusie-modellen, konden worden gebruikt voor ensemble klimaatprojecties. Ze combineerden dit met een Spherical Neural Operator, een neuraal netwerkmodel dat is ontworpen om te werken met data op een bol.

Het resulterende model begint met kennis van klimaatpatronen en past vervolgens een reeks transformaties toe op basis van geleerde data om toekomstige patronen te voorspellen.

“Een van de belangrijkste voordelen ten opzichte van een conventioneel diffusie model (DM) is dat ons model veel efficiënter is. Het kan mogelijk net zo realistische en nauwkeurige voorspellingen genereren als conventionele DMs, maar niet met zo’n snelheid,” schrijven de onderzoekers. Naast het veel sneller draaien dan de huidige standaarden, is het model ook bijna net zo nauwkeurig zonder dat het computationeel zo duur is.

Er zijn enkele beperkingen aan het model die de onderzoekers in de volgende iteraties willen overwinnen, zoals het opnemen van meer elementen in hun simulaties. Volgende stappen omvatten het simuleren van hoe de atmosfeer reageert op CO2. “We hebben de atmosfeer nagebootst, wat een van de belangrijkste elementen in een klimaatmodel is,” zei Rose Yu, een faculteitslid aan de UC San Diego Department of Computer Science and Engineering en een van de senior auteurs van het paper. Het werk komt voort uit een stage die een van Yu’s Ph.D. studenten, Salva Ruhling Cachay, deed bij het Allen Institute for AI (Ai2).