Cuando verifica el pronóstico del tiempo en la mañana, los resultados que ve están más que probablemente determinados por el modelo de Investigación y Pronóstico del Tiempo WRF, un modelo integral que simula la evolución de muchos aspectos del mundo físico que nos rodea.
"Describe todo lo que ves fuera de tu ventana", dijo Jiali Wang, científico ambiental del Laboratorio Nacional de Argonne del Departamento de Energía de EE. UU. DOE, "desde las nubes hasta la radiación del sol, desde la nieve hasta la vegetación.incluso la forma en que los rascacielos interrumpen el viento "
Las innumerables características y causas del clima y el clima se combinan entre sí, comunicándose entre sí. Los científicos aún tienen que describir completamente estas complejas relaciones con ecuaciones simples y unificadas. En cambio, aproximan las ecuaciones usando un método llamado parametrización en el que modelanlas relaciones a una escala mayor que la de los fenómenos reales.
Aunque las parametrizaciones simplifican la física de una manera que permite que los modelos produzcan resultados relativamente precisos en un tiempo razonable, todavía son computacionalmente costosos. Científicos ambientales y científicos computacionales de Argonne están colaborando para usar redes neuronales profundas, un tipo de aprendizaje automático, para reemplazar las parametrizaciones de ciertos esquemas físicos en el modelo WRF, reduciendo significativamente el tiempo de simulación.
"Con modelos menos costosos, podemos lograr simulaciones de mayor resolución para predecir cómo los cambios a corto y largo plazo en los patrones climáticos afectan la escala local", dijo Wang, "incluso en vecindarios o infraestructura crítica específica".
En un estudio reciente, los científicos se centraron en la capa límite planetaria PBL, o la parte más baja de la atmósfera. El PBL es la capa atmosférica que más afecta la actividad humana, y se extiende solo unos pocos cientos de metros sobre la superficie de la TierraLa dinámica en esta capa, como la velocidad del viento, los perfiles de temperatura y humedad, son críticos para determinar muchos de los procesos físicos en el resto de la atmósfera y en la Tierra.
El PBL es un componente crucial en el modelo WRF, pero también es uno de los menos costosos desde el punto de vista computacional. Esto lo convierte en un excelente banco de pruebas para estudiar cómo los componentes más complicados podrían mejorar las redes neuronales de aprendizaje profundo de la misma manera.
"Utilizamos 20 años de datos generados por computadora del modelo WRF para entrenar las redes neuronales y dos años de datos para evaluar si podrían proporcionar una alternativa precisa a las parametrizaciones basadas en la física", dijo Prasanna Balaprakash, un científico de la computacióny destinatario del Premio de Carrera Temprana del DOE en la división de Matemáticas e Informática de Argonne y el Centro de Computación de Liderazgo de Argonne ALCF, un Centro de Usuarios de la Oficina de Ciencia del DOE.
Balaprakash desarrolló la red neuronal y la entrenó para aprender una relación abstracta entre las entradas y salidas al alimentarla con más de 10,000 puntos de datos 8 por día desde dos ubicaciones, una en Kansas y otra en Alaska. El resultado fue un algoritmoque los científicos confían en que podría reemplazar la parametrización PBL en el modelo WRF.
Los científicos demostraron que una red neuronal profunda que considera parte de la estructura subyacente de la relación entre las variables de entrada y salida puede simular con éxito las velocidades del viento, la temperatura y el vapor de agua a lo largo del tiempo. Los resultados también muestran que una red neuronal entrenada desde unola ubicación puede predecir el comportamiento en ubicaciones cercanas con correlaciones superiores al 90 por ciento en comparación con los datos de la prueba.
"La colaboración entre los científicos del clima y los científicos de la computación fue crucial para los resultados que logramos", dijo Rao Kotamarthi, científico jefe y jefe del departamento de ciencias atmosféricas e investigación climática en la división de Ciencias Ambientales de Argonne ". Incorporar nuestro conocimiento de dominio hace que el algoritmomucho más predictivo "
Los algoritmos, llamados redes neuronales conscientes del dominio, que consideran las relaciones conocidas no solo pueden predecir los datos ambientales con mayor precisión, sino que también requieren capacitación de significativamente menos datos que los algoritmos que no consideran la experiencia en el dominio.
Cualquier proyecto de aprendizaje automático requiere una gran cantidad de datos de alta calidad, y no hubo escasez de datos para este estudio. Recursos de supercomputación en el ALCF y el Centro Nacional de Investigación Científica de Investigación Energética, una instalación de usuarios de la Oficina de Ciencia de la DOE en LawrenceEl Laboratorio Nacional de Berkeley contribuyó a la producción de más de 300 años 700 terabytes de datos que describen el clima y el clima pasado, presente y futuro en América del Norte.
"Esta base de datos es exclusiva de la ciencia del clima en Argonne", dijo Wang, "y la estamos utilizando para llevar a cabo más estudios de aprendizaje profundo y determinar cómo se puede aplicar a los modelos climáticos".
El objetivo final de los científicos es reemplazar todas las costosas parametrizaciones en el modelo WRF con redes neuronales de aprendizaje profundo para permitir una simulación más rápida y de mayor resolución.
Actualmente, el equipo está trabajando para emular la parametrización de la radiación solar de onda larga y onda corta: dos partes del modelo WRF que juntas ocupan casi el 40% del tiempo de cálculo de la física en las simulaciones.
Fuente de la historia :
Materiales proporcionado por DOE / Laboratorio Nacional de Argonne . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :