Kada je Chris Bretherton 2008. godine poleteo avionom C-130 iznad pustinje Atakama, tragao je za podacima o ledu, vodenoj pari i pritisku. Umesto toga, naišao je na tanak sloj kumulusa sa duginim odsjajem, što ga je nateralo da preispita kako se oblaci formiraju u čistom vazduhu. Dvadeset godina kasnije, taj „duh“ i dalje proganja najveće svetske klimatske superkompjutere: oblaci su sićušni, promenljivi i dovoljno kompleksni da izmaknu svakoj direktnoj simulaciji.

Savremeni modeli Zemljinog sistema obrađuju Navier-Stokes jednačine na globalnoj mreži koja sada dostiže rezoluciju od oko tri kilometra po ćeliji. Čak i na toj skali, oblaci širine svega nekoliko metara ostaju nevidljivi. Zbog toga se modeli u velikoj meri oslanjaju na parametrizacije – jednostavne formule koje procenjuju neto efekat oblaka na zračenje i toplotu. Mala promena u ovim formulama može da pomeri procene globalnog prosečnog zagrevanja za nekoliko stepeni, čineći neizvesnost povezanu sa oblacima najvećim izvorom odstupanja u klimatskim projekcijama.

Pretvaranje parametara u nauku zasnovanu na podacima

Tu na scenu stupa Climate Modeling Alliance (CLIMA), koju je osnovao Tapio Schneider na Caltech-u. CLIMA ima za cilj da automatizuje „umetnost“ podešavanja parametara tako što algoritme mašinskog učenja obučava na masovnoj biblioteci digitalnih oblaka. Ključni sastojak su simulacije velikih vrtloga (LES) – segmenti visoke rezolucije koji beleže turbulenciju oblaka na malom prostoru i u kratkom vremenskom periodu.

U prošlosti su LES simulacije bile preskupe za masovno pokretanje – postojalo je svega nekoliko desetina kvalitetnih uzoraka. Schneiderov tim se udružio sa kompanijom Google, čiji su inženjeri optimizovali LES kod kako bi se izvršavao na hiljadama Tensor procesorskih jedinica (TPU). Ovaj napor je rezultirao bibliotekom od preko 8.000 sintetičkih oblaka raspoređenih na 500 lokacija u Pacifiku kroz sva godišnja doba. „Nikada nismo imali ništa slično“, rekao je Schneider, ističući da novi skup podataka omogućava AI sistemu alijanse CLIMA da odabere optimalne parametre oblaka za globalne modele.

AI emulatori: Preskakanje jednačina

Dok se Schneider oslanja na AI za fino podešavanje modela zasnovanih na fizici, Bretherton, koji je sada u Allen institutu za veštačku inteligenciju (Ai2), ide hrabrijim putem. Njegov „Ai2 Climate Emulator verzija 2“ (ACE2) trenira duboku neuronsku mrežu direktno na podacima iz 50 godina posmatranja, popunjavajući praznine LES podacima. ACE2 može da obradi jedan atmosferski snimak i predvidi stanje u koracima od po šest sati, reprodukujući ciklone, periode stratosferskog zagrevanja i druge fenomene iz stvarnog sveta bez direktnog rešavanja Navier-Stokes jednačina.

Rani testovi obećavaju. Britanska meteorološka služba (Met Office) unela je u ACE2 temperature površine mora za jednu sezonu i tražila predviđanje globalne temperature i padavina tri meseca unapred. Preciznost ACE2 modela bila je na nivou najboljih simulacija zasnovanih na fizici, ali je prognozu isporučio za svega dva minuta na običnoj radnoj stanici – što je drastičan kontrast u poređenju sa satima koji su potrebni superkompjuteru.

Odnos između brzine i preciznosti

Brze AI prognoze su primamljive, posebno kada donosioci odluka treba da testiraju desetine „šta ako“ scenarija. Kritičari, međutim, upozoravaju da neuronske mreže – kao statistički aproksimatori – mogu akumulirati sitne greške tokom dugih simulacija, što na kraju dovodi do odstupanja od fizičke realnosti. „Kada predviđate vekovima unapred, ulazite u režime koje nijedan model ranije nije video“, napominje Sarat Sreepathi iz Nacionalne laboratorije Oak Ridge.

Hibridni pristupi se pojavljuju kao srednje rešenje. Istraživači treniraju AI modele na rezultatima simulacija zasnovanih na fizici, a zatim koriste AI za brzo generisanje ansambala koji i dalje poštuju osnovne zakone fizike. Mike Pritchard iz kompanije Nvidia procenjuje da takvi modeli mogu biti 100 do 1.000 puta brži od svojih izvornih kodova, što otvara vrata procenama klimatskih rizika u skoro realnom vremenu.

Zašto je to važno

Neizvesnost u vezi sa oblacima direktno se odražava na rizike pri kreiranju politika. Trenutne klimatske projekcije obuhvataju širok raspon: neke ukazuju na porast od 2 °C do sredine veka, dok druge upozoravaju na čak 6 °C. Ta razlika određuje da li društva mogu da se prilagode učestalijim toplotnim talasima i poplavama ili će se suočiti sa katastrofalnim nestašicama hrane i vode. Kako kaže George Matheou sa Univerziteta u Konektikatu: „Greška od samo 2-3% u proceni oblačnosti može da pomeri prognozu zagrevanja za nekoliko stepeni“.

Bolje upravljanje podacima o oblacima – bilo kroz AI-potpomognutu parametrizaciju ili čiste emulatore – trebalo bi da suzi intervale poverenja za prognoze temperature, padavina i ekstremnih događaja. To, zauzvrat, daje vladama, osiguravajućim kućama i urbanistima jasnija očekivanja o budućnosti.

Pogled u budućnost

Model sledeće generacije alijanse CLIMA trebalo bi da debituje na konferenciji u Japanu u martu 2026. godine, a rani rezultati nagoveštavaju dvostruko veću preciznost u odnosu na trenutne modele Zemljinog sistema. U međuvremenu, ACE2 nastavlja da se usavršava, a njegova dugoročna pouzdanost biće pod lupom dok ga naučna zajednica bude upoređivala sa novim skupovima podataka iz direktnih posmatranja.

Ono što ostaje sigurno jeste da se oblaci – „duhovi“ koji lebde kroz atmosferske simulacije – konačno isteruju na čistac. Bilo da rešenje leži u pametnijim parametrima, masovnim AI setovima za obuku ili kombinaciji oba, trka za razumevanje oblaka se ubrzava – a ulog ne može biti veći.