p Simulações de clima realistas requerem enormes reservas de poder computacional. Um estudo LMU agora mostra que novos algoritmos permitem que as interações na atmosfera sejam modeladas mais rapidamente sem perda de confiabilidade. p A previsão dos climas globais e locais requer a construção e o teste de modelos climáticos matemáticos. Uma vez que tais modelos devem incorporar uma infinidade de processos físicos e interações, simulações de clima requerem uma enorme quantidade de poder computacional. E mesmo os melhores modelos inevitavelmente têm limitações, uma vez que os fenômenos envolvidos nunca podem ser modelados com detalhes suficientes. Em um projeto realizado no contexto do Centro de Pesquisa Colaborativa financiado pela DFG "Waves to Weather", Stephan Rasp do Instituto de Meteorologia Teórica da LMU (Diretor:Professor George Craig) agora examinou a questão de se a aplicação de inteligência artificial pode melhorar a eficácia da modelagem climática. O estudo, que foi realizado em colaboração com o professor Mike Pritchard da Universidade da Califórnia em Irvine und Pierre Gentine da Universidade de Columbia em Nova York, aparece no jornal PNAS .

p Modelos de circulação geral normalmente simulam o comportamento global da atmosfera em grades cujas células têm dimensões em torno de 50 km. Mesmo usando supercomputadores de última geração, os processos físicos relevantes que ocorrem na atmosfera são simplesmente complexos demais para serem modelados no nível de detalhe necessário. Um exemplo proeminente diz respeito à modelagem de nuvens que têm uma influência crucial no clima. Eles transportam calor e umidade, produzir precipitação, além de absorver e refletir a radiação solar, por exemplo. Muitas nuvens se estendem por distâncias de apenas algumas centenas de metros, muito menores do que as células da grade normalmente usadas em simulações - e são altamente dinâmicas. Ambos os recursos os tornam extremamente difíceis de modelar de forma realista. Portanto, os modelos climáticos de hoje carecem de pelo menos um ingrediente vital, e a este respeito, fornecem apenas uma descrição aproximada do sistema terrestre.

p No novo estudo, Rasp e seus co-autores usaram uma forma de aprendizado de máquina conhecida como redes neurais para ajustar de forma adaptativa um algoritmo projetado para capturar o comportamento da nuvem. O algoritmo foi treinado usando dados obtidos de simulações de alta resolução que incluíam explicitamente a transferência de calor de nuvens. "Após o período de treinamento, o algoritmo não só foi capaz de reproduzir os resultados obtidos com a escala fina, modelo de resolução de nuvem, mas fez muito mais eficientemente, "diz Stephan Rasp. De acordo com George Craig, "o estudo mostra que o método tem potencial para descrever fenômenos complexos com mais detalhes e, portanto, promete melhorar a qualidade das simulações climáticas."

p Neste teste inicial, os autores usaram um modelo idealizado para testar a viabilidade da abordagem com complexidade reduzida. Na próxima etapa, Grosa, Pritchard e Gentine planejam treinar o algoritmo com dados reais.