科学叛乱分子绘制了由人工智能驱动的气候模型

科学叛乱分子绘制了由人工智能驱动的气候模型

有时似乎气候科学的阴云不会升起。 地球气候的计算机模型在数量,复杂性和计算能力方面都成倍增加,但他们仍无法更准确地回答公众心中的一些问题:我们必须建造海堤到2100年才能持续多久? 热浪在未来十年会有多糟糕? 北极航运路线在2030年会是什么样子? 气候模型都同意全球气温将继续上升以应对人类的温室气体排放,但不确定性仍然存在于将会发生多快以及高温如何发生的持续存在。

Tapio Schneider是德国出生的帕萨迪纳加州理工学院(Caltech)的气候动力学家,他认为气候科学可以做得更好。 他并不孤单。 今年夏天晚些时候,由施奈德领导的一个学术联盟,包括前谷歌首席执行官埃里克施密特和微软联合创始人保罗艾伦在内的知名技术慈善家支持,将启动一个雄心勃勃的项目来创建一个新的气候模型。 利用人工智能(AI),卫星成像和高分辨率模拟方面的突破,这个尚未命名的模型 - 地球机器是一个候选者 - 旨在改变气候模型如何呈现海冰等小规模现象和云的形成一直困扰着预测气候的努力。 重点将放在当前模型的主要不确定性来源上:形成海岸线并填充信风的层积云层。 它们的范围仅仅几个百分点的变化可能会在本世纪内将全球恒温器上升或下降几度或更多 - 目前的模型无法预测它们将走向何方。

在5年内,该团队希望其AI强化模型能够通过实际观察和专用云模拟自身学习云的行为来消除不确定性和其他模型。 这是一个崇高的目标,施奈德在一个五月下午晚些时候在阳光普照的帕萨迪纳(Pasadena)承认,他和新组建的球队一起坐在外面。 他们刚刚结束了一个研讨会,这是他去年召开的第三次研讨会,汇集了领先的气候科学家和工程师,讨论他们领域的未来。 施奈德说:“我们并不抱幻想。” “这不会是一场蠢货。”

有理由怀疑。 美国已经有许多气候模型,有些人质疑为什么它需要另一个,进一步划分资源。 其他人对这项技术提出质疑,并怀疑支持这个项目的慈善家是否对美国国家科学基金会等机构提供了审查。 科罗拉多州科罗拉多州科罗拉多州立大学的气候学家大卫兰德尔表示,该团队的非正统信息和手段不会让人们轻易赢得胜利。 “我认为现有的建模中心将会推迟。如果Tapio获得资金,那原则上可能会转移给其他人。”

气候建模者一直遵循两个要求。 首先,他们将地球的更多特征融入他们的模拟中。 模型曾经只包含大气和海洋; 现在,他们有冰盖,土地利用和生物圈的子程序。 其次,他们寻求越来越高的分辨率 - 在越来越小的尺度上建模互动 - 在政府拥有的超级计算机上运用摩尔定律。 据估计,自20世纪70年代以来,这些模型使用的计算能力增加了1亿。 随着模型变得越来越复杂,它们更充分地反映了我们星球的变幻莫测 - 未知的未知数转向已知的未知数。 然而,不确定性仍然存在。

在最基本的情况下,所有模型都以相同的方式工作:它们将地球切割成一个网格,一边有25公里到50公里的单元格,并使用一组称为动态核心的代码来模拟行为多年来和几个世纪以来的大气和海洋。 但是,例如,在行星云形成上发生的大部分事情都发生在小于那些网格的尺度上。 因此,这些现象必须用气候科学的术语 - 用经验法则间接地“参数化”来描述。 建模者然后调整那些各种旋钮以最好地代表他们所知道的世界 - 一个称为调整的过程。 施奈德的导师,地球物理流体动力学实验室的科学家艾萨克·赫尔德说:“这是直觉和经验主义以及一些实际观察到的规律的混合体。”该实验室是新泽西州普林斯顿的一个着名建模中心。

科学叛乱分子绘制了由人工智能驱动的气候模型

Tapio Schneider希望他计划的全球气候模型能够减少气温升高和升温的不确定性。

STEPHANIE DIANI为CALTECH

毫无疑问:目前的模型在重建世界方面做得令人钦佩。 但他们的缺点驱使科学家们疯狂。 他们努力重建北极温度和融化海冰。 它们的降雨分布是偏离的,偏向于可能导致洪水的极端洪流。 剑桥麻省理工学院(麻省理工学院)的大气科学家保罗·奥戈曼(Paul O'Gorman)曾与施奈德合作过,他说:“雨水落在错误的地方,而且速度错误。” 而且,尤其重要的是,模型通常无法模拟那些厚厚的层积云,这些积云通常形成于美洲西部沿海地区,有助于冷却该地区。

46岁的施奈德并不总是关注云。 在加州理工学院的早期职业生涯中,他专注于大规模的大气流动,例如Hadley细胞。 大气输送带将空气从赤道转移到亚热带 - 气候模型可以使用简单的物理定律模拟的模式类型。 但在瑞士苏黎世联邦理工学院预约时,他越来越相信气候模型可以更好地整合有关云行为的新数据。 他于2016年返回加州理工学院寻求解决方案,并在美国国家航空航天局位于帕萨迪纳的喷气推进实验室(JPL)联合任命,在那里他与JPL的云大师JoãoTeixeira成为密切合作者。

这是现在约有二十多人合作的开始。 人工智能,特别是一种称为机器学习的变种,正在上升,施奈德和特谢拉认为它可能有助于解决云问题。 不久,他们招募了安德鲁斯图尔特,他是加州理工学院一位说话温和的计算数学家。 该团队在JPL找到了额外的新兵,其中有大量的云上卫星数据档案,以及麻省理工学院的全国各地,研究人员在这里建立了一个海洋模型,其中注入了海洋的每一个可能的卫星和浮标测量。

麻省理工学院的团队有更大的野心,其成员欢迎施奈德的提议。 麻省理工学院物理海洋学家Raffaele Ferrari说:“我们的想法总是要转向地球系统模型。” “但大气层社区并没有特别准备以同样的方式思考。”

起初,新生的合作并未着手建立新的气候模式; 美国已经有六个着名的模特。 “这更像是我们如何建立一个更好的模型,”施奈德说。 但他们希望确定完整的气候模型能够融入他们的创新。 他们认为最好的方法是建立一个新模型,尽管从现有代码开始。 这样做意味着他们需要一个能够掌握方程并让它们在下一代超级计算机上运行的计算高手。

一名美国海军专家报到执勤。 弗兰克吉拉尔多是加利福尼亚州蒙特雷海军研究生院的应用数学家,他背后是海军新的动力学核心,这是数学引擎,是下一代天气和气候模型的核心。 他的核心是大气的非流体静力统一模型,它是从现代并行计算开始设计的。 核心也是灵活和独立的。 它可以在同一模型中解决各种精度的方程,这样可以让地球机器在实时放大云时提供低分辨率的行星概览。

学习气候

新的数据驱动气候模型将使用卫星观测和高分辨率模拟来了解如何最好地渲染其云。 类似的方法也将适用于其他小规模现象,如海冰和海洋漩涡。

全球气候 模型 云模拟 AI 在2006年的轨道上,The 云气溶胶激光雷达 和红外探路者 卫星观测 宇宙飞船使用激光 窥视云。 高分辨率云模型将运行为 气候模型中的细胞,指导 它的全球模拟。 该模型将使用人工 智力(AI)学习 从平均天气 数据,并最终,直接 卫星观测。 AI AI 地球观测
T. SCHNEIDER ET AL 。, 地球物理研究信函44,12,396(2017),由N. DESAI / SCIENCE改编

新模型的关键输入将来自模拟,这些模拟最近描绘了低云的更清晰的图像以及它们的行为方式。 这些模型被称为大型涡流模拟(LES),它可以在全球范围内和气候模型的长达数百年的时间范围内进行交易,从而实现窄范围和高分辨率。 这些模型在小型大气层的生命周期中重建了几天,一侧的细胞只有10米。 在这样的分辨率下,云形成的关键方面 - 例如将太阳加热的空气向上升,直到其携带的水蒸气凝结成云的对流 - 直接来自物理定律。 西雅图华盛顿大学的领先云科学家Chris Bretherton表示,结果有时与现实非常相似。

几年前,Bretherton领导了一个项目,该项目使用LES研究2°C温度升高如何影响低海洋云。 出现了两个反馈,这两个反馈都会加剧变暖。 首先,较高的温度似乎允许更多的干燥空气从上方穿透薄云,防止它们变厚并反射更多的太阳能量。 其次,增加的二氧化碳(CO 2 )水平会在云层顶部附近捕获热量,从而阻止其冷却。 因为这种冷却驱动形成云的湍流,所以这种效应可能阻碍云的形成,从而加剧进一步的变暖。 如果二氧化碳排放量持续不减,布雷斯顿说:“我们在热带地区的大部分低云可能会融化掉。”

其他证据,包括实际的云观测,也表明“低云反馈是积极的,低云将放大气候变暖,”加州劳伦斯利弗莫尔国家实验室的大气科学家Stephen Klein说。

这些突破尚未进入全球模型,因为没有桥梁或技术方法来实现它们。 但施耐德的团队正在构建一个:一个LES,可以在一个长达100公里的区域内模拟云行为,大约相当于气候模型中一个单元的大小。 他们的LES基于Caltech开发的模型,称为Python Cloud Large Eddy Simulation(PyCLES),专注于低云。 “这些模拟可能并不完美,”施奈德说,“但它们比我们拥有的任何东西都要好得多。” 如果一切按计划进行,Giraldo的代码将在Earth Machine中作为单个单元格运行1000个PyCLES类型的模型。 该机器还将使用AI来研究观察到的和模拟的云,推断它学到的东西,以改进它用来模拟全球云的经验法则。 很快,虚拟云层将在加利福尼亚海岸发芽。

将AI纳入气候建模是一项正在进行的工作。 包括Bretherton小组在内的一些研究人员和加州大学欧文分校的气候建模师Michael Pritchard在高分辨率的大气模拟中训练了一种AI神经网络。 然后他们使用AI来取代几个经典的经验法则,例如在升高的空气中温度和湿度的变化速度。 “所有这些都处于感觉周期阶段,”Bretherton说。

但神经网络和气候是一种不适合的方式。 算法在分类等问题上表现最佳 - 例如,从数百万张标记的照片中学习狗的样子。 代码为对象的外观建立了一个复杂的模型,这通常完全是人类推理无法解释的。 这种方法适用于狗 - 但是当它遇到训练数据之外的东西时可能会崩溃 - 比如骆驼。 对于气候变化来说,未来是骆驼。 出于这个原因,Stuart和Schneider并不依赖神经网络来指导地球机器的人工智能。 相反,他们寻求妥协,在传统的经验法则和纯AI之间寻求妥协。 他们希望开发能够使用来之不易的云知识然后用学到的直觉填补空白的代码,基本上取代通常由建模者用机器完成的手动调整。

这种学习不会受到个别云系统的驱动,这些云系统会产生大气混乱。 相反,人工智能将从云量覆盖率和其他因素的季节或年度统计数据中学习,消除天气的噪音。 随着Stuart和Schneider将每个经验法则移到AI的手中,他们将连接模型以计算概率,从而允许对当前气候模型中尚未看到的不确定性进行全面计算。 而且,部分是在他们具有工程思想的资助者的激励下,他们将制定指标来衡量模型对世界的准确程度。 他们打赌最近的见解是,对于气候系统的某些方面,模型中的短期准确性表明了数十年的可行性。

成功远未得到保证,该团队在5月研讨会后达成一致。 斯图尔特说:“可能我们所做的事情最终没有改善数字,只是为了完全科学诚实。” 但即便如此,他补充说,这种方法应该引发气候模型的新思路。 “我会说那是最糟糕的情况,”施耐德迅速插话。 “这就是为什么我说我们不能完全失败。但我希望我们能做更多的事情。”

  施耐德   组建他的团队并制定了总体计划,他仍然面临一个大问题:谁会支持他们的梦想? 美国政府为另一种气候模式提供资金似乎不太可能。 甚至在唐纳德特朗普总统白宫提议削减气候科学之前,前总统巴拉克奥巴马政府就曾探讨该国是否需要支持这么多模式。

幸运的是,对于加州理工学院的团队来说,技术慈善家 - 特别是已经在海洋学方面投入巨资的艾伦 - 正在寻找能引起轰动的事情。 他们寻求风险投资,具有巨大的潜在回报,可以使气候预测更加具体。 施耐德已经从加州理工学院的校友查尔斯特里布尔(Charles Trimble)和加利福尼亚州洛斯阿尔托斯(Los Altos)的希辛 - 西蒙斯基金会(Heising-Simons Foundation)那里获得了对地球机器的初步支持。 但为了实现他们的雄心壮志,他们需要更多,每年大约500万美元 - 这一目标现在看来已经到来,尽管确切的融资仍在印刷时间最终确定。

艾瑞与施耐德的合作,总部位于华盛顿州西雅图的计算机工程师克里斯·埃姆拉(Chris Emura)表示,地球机器所体现的雄心,指标和创新的结合正是艾伦想要资助的工作类型。 在过去的一年里,艾伦的团队一直沉浸在模特世界中,访问领先的中心,以衡量他们能做什么和不能做什么。 Emura说,施奈德的项目具有一定的勇气,具有高度“负责任的风险”。 该团队还引起了华盛顿特区保护慈善基金Windward Fund的兴趣,该基金会上个月开始努力支持改善近期实际气候预测的工作。 而且,本周,施耐德的努力证实了纽约市施密特期货的支持,这是前谷歌首席执行官埃里克施密特和加利福尼亚州帕洛阿尔托施密特家庭基金会主席温迪施密特的科学慈善事业。 “这是保守和大胆方法的有吸引力的结合,”慈善事业的首席科学家斯图尔特费尔德曼说。

这些模拟可能并不完美......但它们比我们拥有的任何东西都要好得多。

Tapio Schneider,加州理工学院

随着地球机器的传言不断传播,该项目吸引了各种支持,嫉妒和怀疑。 奥斯陆大学的大气科学家Trude Storelvmo表示,迫切需要一种新的方法。 “这是一个非常受欢迎和创新的想法。” 她补充说,它可以支持扩大云层观测的必要性 - 因为NASA目前的云卫星比计划的时间长了近十年。

相比之下,佛罗里达州迈阿密大学的云科学家艾米克莱门特则抱怨建立更复杂的模型。 “因此,在我看来,我们失去了很多基本了解气候系统的能力。” 然而,她补充说,鉴于施奈德作为气候科学家的敏锐性,该模型可能会导致这种理解。 与此同时,Bretherton喜欢该集团的雄心壮志,但质疑是否需要一种新模式来实现它们。 “我们在美国已经拥有太多气候模型,”他说。 “它划分我们的资源,使科学进步更慢。”

其他人认为该项目正在打折现有模型在更高分辨率下推动全球运营时所带来的回报。 例如,欧洲的大部分气候科学界都投资于一项名为Extreme Earth的提案,该提案将推动模型达到每个单元1公里的分辨率。 虽然这样的代码需要一个超级计算机网络,并且不会像传统模型那样运行,但它也会消除许多Schneider正在寻求用AI改进的参数,用物理代替它们。 “我对参与这些事情的想法感到非常沮丧,”德国汉堡马克斯普朗克气象研究所气候科学家Bjorn Stevens说。 “我发现更令人兴奋的是摆脱那些经验法则。”

加利福尼亚州圣地亚哥斯克里普斯海洋学研究所的云科学家乔尔诺里斯补充说,地球机器也有一个很大的假设:云问题甚至可以解决。 也许任何类型的参数化,即使是由AI调整的参数化,都无法将云破解到有意义的程度。 “可能是你无法减少不确定性的情况,”诺里斯说。 对于渲染云所必需的一些卫星观测,例如低层大气中水蒸气的确切位置,根本就不存在。 Held补充说,当看到云被调整时模型中显然未连接的部分出现问题时,施耐德的团队会感到震惊。 “这里有很多联系。”

施奈德的团队了解所有这些问题,并分享其中的许多问题。 但这些成员雄心勃勃,已经变得不耐烦等待突破。 他们生活在人类驱动的气候变化和顽固的不确定性中,成为他们整个成年生活的现实。 现在是云升起的时候了。