科学新闻：人工智能更快地模拟大气中的相互作用而且不会损失可靠性

如今，家长非常关注科学教育，国内外的科学教育都成为了很多家长关注的问题。既然现在大家都很关注科学教育，边肖今天就给大家推荐一些与科学教育相关的文章分享一下。如果你感兴趣，你可以仔细阅读以下内容。现实的气候模拟需要大量的计算能力储备。LMU的一项研究表明，新算法可以更快地模拟大气中的相互作用，而不会失去可靠性。

预测全球和局部气候需要建立和测试数学气候模型。因为这种模型必须包含大量的物理过程和相互作用，所以气候模拟需要大量的计算能力。即使是最好的模型也不可避免地有局限性，因为所涉及的现象永远无法被足够详细地建模。在DFG资助的合作研究中心“海浪对天气”的背景下，LMU理论气象研究所的Stephan Rasp(主任：乔治克雷格教授)目前正在研究人工智能可以提高气候模拟效率的问题。这项研究是与加州大学欧文分校的迈克普里查德教授和纽约哥伦比亚大学的皮埃尔云顶合作完成的。这项研究发表在《PNAS》杂志上。

大气环流模型通常在一个网格上模拟大气的整体行为，网格大小约为50公里。即使有最先进的超级计算机，大气中发生的物理过程也过于复杂，无法以必要的细节水平进行建模。一个突出的例子是对气候有重要影响的云的建模。它们传递热量和水分，产生降水，吸收和反射太阳辐射。许多云只延伸几百米，比模拟中常用的网格单元小得多——它们是高度动态的。这两个函数使得实际建模变得困难。因此，今天的气候模型至少缺少一个重要的组成部分，只提供了地球系统在这方面的大致描述。

在这项新的研究中，拉斯普和他的合作者使用了一种叫做神经网络的机器学习形式来自适应地调整捕捉云行为的算法。该算法利用高分辨率模拟得到的数据进行训练，其中明确包含了云的传热。Stephan Rasp说：“经过训练期后，该算法不仅可以重现精细尺度云分析模型获得的结果，而且效率更高。”乔治乔治克雷格说，“研究表明，这种方法有潜力更详细地描述复杂现象，因此有望提高气候模拟的质量。”

在这个初始测试中，作者使用了一个理想化的模型来测试这种方法的可行性，同时降低了复杂性。下一步，拉斯普、普里查德和龙丁计划用实际数据训练算法。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！