Rose Yu, pensyarah di Jabatan Sains Komputer dan Kejuruteraan UC San Diego, dan pelajar Ph.D. Salva Ruhling Cachay sedang memeriksa data. [David Baillot/UC San Diego Jacobs School of Engineering]
Sekumpulan penyelidik dari Allen Institute for AI dan UC San Diego telah memperkenalkan pendekatan pemodelan iklim yang cepat dan cekap, menawarkan peningkatan kelajuan 25 kali ganda dan penjimatan tenaga berbanding model berasaskan fizik FV3GFS. Model baru ini boleh melakukan simulasi selama 10 tahun dalam masa kira-kira 2 jam 56 minit, berbanding dengan 78 jam 4 minit untuk FV3GFS, menjadikannya 26.6 kali lebih pantas.
Model ini tidak menggabungkan kecerdasan buatan generatif dengan fizik dalam bentuk model hibrid. Sebaliknya, ia merupakan model AI generatif yang dilatih untuk meniru FV3GFS dengan mempelajari data simulasi model tersebut. Unsur fizik diambil daripada data latih, bukan diintegrasikan terus ke dalam seni bina model. Pilihan seni bina ini membolehkan kecekapan pengiraan yang signifikan sambil mengekalkan konsistensi fizik.
Penyelidik menggunakan seni bina yang dikenali sebagai “Spherical DYffusion” untuk pakai model pemodelan iklim. Seni bina ini menggunakan proses diffusi bersyarat—serupa dengan yang digunakan dalam Stable Diffusion dan DALL-E 2—tetapi bekerja pada geometri sfera, bukan grid segi empat biasa. Proses diffusi dimulakan dengan pengedaran bunyi dan kemudian memperhalusnya melalui langkah pemulihan yang dipandu oleh isyarat daripada data latihan FV3GFS. Dengan pilihan seni bina yang lebih baik, model ini dapat menangkap pola global yang kompleks tanpa kesan berat pengiraan bagi mengendalikan ketidakselarasan sistem koordinat di kutub.
Namun, hasil dari model ini menunjukkan beberapa kompromi. Meskipun mengutamakan penjimatan sumber, model ini mempunyai bias iklim purata yang kira-kira 50% lebih tinggi berbanding model berasaskan fizik rujukan untuk semua 34 medan yang diramal. Jurang akurasi ini menjadi lebih besar bagi sesetengah pemboleh ubah atmosfera, terutamanya di altitud tinggi dan kawasan kutub.
Penyelidik mencatatkan bahawa potensi pembelajaran mendalam dalam pemodelan iklim adalah kabur, memandangkan kompleksiti data dan proses inferens yang panjang. Dalam kertas kerja mereka di OpenReview, mereka menyatakan model ini sebagai “model generatif bersyarat pertama yang menghasilkan simulasi ensambel iklim global yang tepat dan konsisten dari segi fizik dengan meniru versi kasar model ramalan global utama Amerika Syarikat, FV3GFS.”
Walaupun model ini mempunyai kelebihan yang ketara, ia juga membawa batasan disebabkan oleh seni bina yang sepenuhnya berasaskan data. Ia tidak mempunyai sekatan fizik yang biasanya terdapat dalam model tradisional melalui persamaan asas. Selain itu, pelaksanaan semasa bergantung pada suhu permukaan laut yang berulang setiap tahun dan kepekatan gas rumah kaca yang tetap, yang menghadkan kemampuan model ini untuk meramalkan senario perubahan iklim.
