Облачные специи: как нейросеть улучшает климат экспресс

Оригинал: "Representing Subgrid-Scale Cloud Effects in a Radiation Parameterization using Machine Learning: MLe-radiation v1.0"
arXiv:2510.05963 · 2025-10-07 · CC BY 4.0 · 1 мин
Гибридный метод с ИИ в 4–10 раз точнее предсказывает влияние облаков на нагрев планеты.

Прогноз климата похож на сложный рецепт: одна неверная щепотка — и всё блюдо испорчено. Так и с облаками — малыми, но решающими. Климатические модели разбивают небо на клетки по 50–100 км и не видят отдельных облаков. Это как сыпать перец горстями, когда рецепт требует щепотку.

Учёные обучили нейросеть на детальных расчётах, где облака видны до мелочей. Она научилась предсказывать ту часть солнечного тепла, что связана с облаками. Безоблачное небо по-прежнему обсчитывают физикой — так метод не устаревает при любом уровне CO₂ и солнечной активности. Ошибки уменьшились в 4–10 раз.

Неожиданный поворот: нейросеть никогда не видит сами облака. Она работает с крупными клетками, но улавливает их скрытое влияние. Микроскопическая деталь управляет глобальной картиной.

В климатических моделях типичная клетка сетки — 50×100 км, а облако — сотни метров. Упаковать целую «кашу» из облаков в одну ячейку — вот где понадобилась изобретательность.

Управление климатом компьютерами — знакомая фантастика: в романе «Красный Марс» Кима Стэнли Робинсона герои терраформируют Марс, просчитывая каждый градус.

Учёные
Erwin SchrödingerHugh Everett IIIArchimedesDaniel BernoulliLeonhard EulerClaude-Louis Navier
Понятия
машинное обучение среднеквадратичная ошибка генеративная модель облако климатическая модель прозрачность реанализ большие языковые модели нейронные сети обобщение скорость обучения спутниковые слои ERA5 молекулярное облако моделирование физики с помощью нейронных сетей классификатор кластеризация методом k-средних навык прогноза прогнозирование солнечных вспышек обучение