النماذج الحديثة لنظام الأرض دقيقة لكنها مكلفة حسابياً. يعد التعلم الآلي بتسريع المحاكاة، لكن الثقة في مثل هذه النماذج تتطلب إثباتاً أنها تعلمت القوانين الفيزيائية وليس مجرد حفظ الإحصاءات. قامت أعمال سابقة بتقييم النماذج العصبية على المقاييس السينوبتيكية أو التنبؤات قصيرة المدى، لكن سلوكها في ظل التأثيرات الشاذة طويلة المدى ظل غير معروف. بجانب هذا العمل في الأرشيف توجد دراسات تستخدم الشبكات العصبية لخرائط الجاذبية للمجرات، وتحسين النماذج المناخية، والتعرف على الشبكة الكونية، مما يبرز الاتجاه العام نحو تهجين الفيزياء والتعلم الآلي.
طور المؤلفون ثلاث سلاسل من التجارب المثالية باستخدام نموذج NeuralGCM بنسخة تحتوي على ضوضاء عشوائية، بدقة 2.8 درجة و37 مستوى عمودياً. بالنسبة للأعاصير، أخذوا 526 حالة شتوية لأعاصير خارج المدارية فوق شمال المحيط الهادئ خلال الفترة 1979-2020 وقاموا بتشغيل النموذج لأربعة أيام قادمة من لحظة التكوين، مقارنةً بإعادة التحليل ERA5 ونماذج CMIP6 المناخية. بالنسبة للنينيو، استخدموا مركبات الشذوذ للأحداث القوية المحددة بواسطة مؤشر Niño3.4. بالنسبة للاحترار، أجروا حسابات طويلة الأمد لمدة 36 عاماً مع تسخين موحد لسطح المحيط بمقدار 2 و4 كلفن، بالإضافة إلى مجموعات قصيرة من 20 عضواً مع تسخين من 1 إلى 4 كلفن. تم تقييم الجودة باستخدام معاملات الارتباط المكاني والأخطاء الجذرية التربيعية المعيارية.
على المقياس السينوبتيكي، يعيد NeuralGCM إنتاج تطور الأعاصير خارج المدارية بمعامل ارتباط أعلى من 0.8 لارتفاع الجهد الجيوبوتنسيلي عند 500 هكتوباسكال في الأيام الأولى، وهو ما يماثل نماذج CMIP6. بحلول اليوم الثالث، يبالغ النموذج في تقدير الحجم المكاني للأعاصير بنسبة 50-63%، ويرتبط ذلك بتدرج مبالغ فيه في الدوامية المحتملة. بالنسبة للنينيو، يعيد النموذج إنتاج الترابط عن بعد PNA بمعامل ارتباط 0.86 لارتفاع الجهد الجيوبوتنسيلي عند 200 هكتوباسكال، ضمن نطاق تباين نماذج CMIP6، لكنه يبالغ في سعة عدم التماثل غير الخطي للاستجابة. مع الاحترار الموحد، ترتفع درجة حرارة السطح العالمية بمقدار 0.86 كلفن لكل كلفن من تسخين المحيط، ويزداد هطول الأمطار بنسبة 4.14% لكل كلفن، وهو قريب من تقديرات CMIP6. ومع ذلك، في طبقة التروبوسفير العليا والستراتوسفير السفلى، يعطي النموذج تبريداً زائداً في المناطق الاستوائية واحتراراً زائداً في المناطق القطبية، مما يؤدي إلى عدم انزياح التيار النفاث نحو القطب كما في النماذج الفيزيائية.
يظهر العمل أن النموذج الهجين ذو النواة الديناميكية قادر على التعميم خارج نطاق بيانات التدريب، وهو ما لم تحققه النماذج العصبية البحتة. على عكس الأعمال المجاورة حيث تحاكي الشبكات العصبية النماذج الفيزيائية أو تحل مهاماً ضيقة، هنا تم اختبار الديناميكا المناخية الكاملة على ثلاثة مقاييس زمنية. تشير الأخطاء في الستراتوسفير إلى قيد أساسي: النموذج لم يتلق تركيزات ثاني أكسيد الكربون والأوزون كمدخلات، لذا فإن استجابته الستراتوسفيرية غير فيزيائية. وهذا يطرح سؤالاً حول الحد الأدنى الضروري من الفيزياء في النماذج الهجينة للثقة في الإسقاطات المناخية.
سيتطور الموضوع نحو تضمين مكونات إضافية لنظام الأرض، مثل المحيط والجليد والكيمياء الحيوية، في النماذج الهجينة. قد تؤدي زيادة الدقة وتوسيع بيانات التدريب، بما في ذلك الملاحظات الساتلية للستراتوسفير، إلى تصحيح الأخطاء في الطبقات العليا من الغلاف الجوي. من المحتمل ظهور مجموعات اختبار معيارية لنماذج المناخ القابلة للتعلم الآلي، على غرار بروتوكولات CMIP.
ستؤثر النتائج على تطوير الجيل القادم من نماذج نظام الأرض، حيث سيحل التعلم الآلي محل البارامترات المكلفة. كما أنها مهمة للتنبؤ التشغيلي للطقس ولتقديرات المخاطر المناخية، حيث تكون الحسابات الجماعية السريعة مطلوبة.
ستكون الخطوة التالية هي التقييم الكمي لمساهمة المكون الآلي والنواة الديناميكية في أخطاء النموذج، على سبيل المثال عن طريق تعطيل الكتلة الآلية. كما يجب توسيع الاختبارات لتشمل أنواعاً أخرى من التأثيرات، مثل تغير تركيزات الغازات الدفيئة.
يرتبط العمل مباشرة بالمشكلة غير المحلولة في نمذجة المناخ: كيفية الجمع بين الاتساق الفيزيائي والكفاءة الحسابية. تعكس الأخطاء في الستراتوسفير صعوبة قديمة في النماذج المتعلقة بإعادة إنتاج البنية الرأسية للغلاف الجوي، بينما يشير المبالغة في تقدير الأعاصير إلى مشكلة البارامترات المعتمدة على المقياس للدوامات. بالنسبة لعلم المناخ، السؤال الرئيسي هو: هل يمكن الوثوق بالنماذج القابلة للتعلم الآلي خارج عينة التدريب؟ ويعطي هذا العمل إجابة إيجابية جزئية.
هذا القسم موجَّه إلى مؤلف العمل وزملائه. الأعمال المجاورة عثر عليها بحثٌ دلالي في أرشيفنا، لا بتطابق الكلمات. نحن لا نقيّم العمل: نعرض الحقل من حوله.
ماذا يفعل هذا العمل
اختبر المؤلفون النموذج الهجين NeuralGCM على ثلاثة مستويات: الأعاصير السينوبتيكية، والاستجابة لظاهرة النينيو، والاحترار المنتظم للمحيطات. قورن النموذج ببيانات إعادة التحليل ERA5 ونماذج CMIP6، مع تقييم الارتباطات والأخطاء. ظهرت أخطاء منهجية: المبالغة في تقدير أحجام الأعاصير واستجابة استراتوسفيرية غير صحيحة.
أين تكمن قوته
يُظهر العمل أن النموذج الهجين ذا النواة الديناميكية قادر على التعميم خارج نطاق بيانات التدريب، معيدًا إنتاج الاستجابات المناخية الرئيسية. وهذه حجة قوية لدعم الثقة في مثل هذه النماذج للتنبؤات طويلة الأمد.
إلى أين يمكن المضي
يستحق التجربة
لماذا قد يكون هذا مهمًا
إذا أمكن تصحيح الأخطاء المنهجية المحددة، ستصبح النماذج الهجينة أداة موثوقة لدراسة التغيرات المناخية، إذ تجمع بين سرعة التعلم الآلي والمصداقية الفيزيائية.
أعمال قريبة في أرشيفنا
الأرشيف خالٍ حول هذا العمل: أقرب تحليل عند 0.54 فقط، مقابل 0.64 المعتادة. يبدو أن الحفر بجواره كان نادرًا.
تم تدريب نموذج NeuralGCM على بيانات إعادة التحليل ERA5 وهطول الأمطار الساتلي IMERG فقط للفترة 2001-2018، لكنه تمكن من إعادة إنتاج الاستجابة للاحترار الذي لم يظهر في هذه البيانات. الأمر أشبه بطلاب درس الفيزياء من كتاب مدرسي ونجح في امتحان مسائل لم تكن في الكتاب.
فكرة الذكاء الهجين، حيث يكمل التعلم الآلي القوانين الفيزيائية، تذكرنا برواية ستانيسلاف ليم «سولاريس»، حيث يولد محيط واعٍ نماذج للضيوف من الذكريات. هنا يولد النموذج استجابات مناخية بالاعتماد على أنماط مستفادة، لكنه أحياناً يخلق أشباحاً في الستراتوسفير.