Shrnutí v bodech
- Google.org podpořil projekt částkou 5 milionů dolarů a cloudovými kredity za 1,8 milionu dolarů.
- Model NeuralGCM posune své výpočty z horizontu 1 roku až na 50 let do budoucnosti.
- Výzkumný tým Allenova institutu v Seattlu se během tříletého projektu rozroste z 8 na 12 lidí.
Od krátkých předpovědí k dekádním simulacím
Meteorologické modely založené na strojovém učení v posledních dvou letech proměnily předpovídání počasí. Systémy jako AIFS v evropském centru ECMWF nebo nástroje vyvíjené týmem Google Research dokážou spočítat vývoj atmosféry na deset dní dopředu během několika desítek sekund. Tyto nástroje dosahují srovnatelné nebo vyšší přesnosti než klasické hydrodynamické rovnice počítané na velkých superpočítačích.
Předpověď počasí na dny a týdny se však opírá o počáteční stav atmosféry. Klimatické modelování řeší odlišný problém. Sleduje dlouhodobou energetickou bilanci planety, interakci oceánů s atmosférou, koloběh uhlíku a změny ve složení plynů. Na možnost praktického využití neuronových sítí v operativní meteorologii upozornila například Olivia Graham na síti LinkedIn, kde popsala spolupráci s americkým Národním střediskem pro hurikány při trasování tropických cyklón. Nyní se stejná technologická báze přesouvá k mnohem delšímu časovému měřítku.
Propojení fyziky a neuronových sítí
Nový projekt staví na architektuře NeuralGCM, kterou výzkumníci z Google Research představili v roce 2024 a rozšířili počátkem roku 2026. Jde o hybridní přístup. Model nenechává vše na statistice neuronových sítí. Základní dynamické rovnice proudění vzduchu, zachování hmoty a termodynamiky řeší osvědčená numerická fyzika na standardní mřížce.
Neuronové sítě nahrazují takzvané parametrizace. Tedy procesy v malém měřítku, které klasické modely nedokážou přímo spočítat, protože jejich mřížka je příliš hrubá. Patří sem vznik mraků, lokální srážky nebo turbulence v přízemní vrstvě. Tradiční klimatické simulace často narážejí na limity právě v těchto parametrech, jak ukazují i debaty o možných chybách v klimatických modelech při odhadu tání ledovců a chování oceánů. NeuralGCM tyto jevy modeluje pomocí strojového učení natrénovaného na přesných datech atmosférických reanalýz.
Výsledkem je výrazné zrychlení běhu. Fyzikální jádro udržuje stabilitu výpočtu, takže model „neodplave“ do fyzikálně nesmyslných hodnot ani při dlouhých simulacích, což dříve čistě neuronové sítě diskvalifikovalo.
Podpora pro otevřený vědecký výzkum
Allen Institute for AI, známý pod zkratkou Ai2, získal kromě přímého grantu 5 milionů dolarů také cloudovou podporu v hodnotě 1,8 milionu dolarů ve formě výpočetních kapacit Google Cloud. Cílem je vytvořit nástroj s pracovním názvem NeuralGCM+, který bude dostupný pod otevřenou vědeckou licencí.
Tým v Seattlu má v současnosti 8 stálých pracovníků a okamžitě vypsal výběrová řízení na 4 nové pozice, které tým doplní na 12 specialistů. Práce potrvají 3 roky. Hlavním úkolem je prodloužit stabilitu a platnost předpovědí. Zatímco současné experimentální verze zvládají horizont do 1 roku, nový software má počítat scénáře pro 5 až 50 let dopředu.
Dostupnost takových modelů může pomoci menším výzkumným ústavům nebo univerzitám v rozvojových zemích. Klasické klimatické modely z mezinárodního srovnávacího projektu CMIP vyžadují měsíce běhu na národních superpočítačích. Menší státy si tyto kapacity nemohou dovolit, což omezuje jejich schopnost plánovat adaptaci na sucho nebo povodně. Hybridní model běžící na běžnějších serverech s grafickými akcelerátory tuto bariéru snižuje.
Rozdíly mezi modely a limity technologie
Nástup neuronových sítí do klimatologie neznamená okamžité vyřazení zavedených vědeckých postupů. Globální klimatické projekce, se kterými pracuje Mezivládní panel pro změnu klimatu, slouží k ověřování různých socioekonomických trajektorií. Tyto výpočty ukazují, jak se atmosféra zachová při různých úrovních emisí skleníkových plynů. Když vědci zpřesňují odhady, pomáhá to stanovit realističtější meze budoucího oteplování, jak ukazuje i fakt, že novější klimatické modely škrtají nejhorší scénáře extrémního oteplení přesahujícího 4 °C.
NeuralGCM+ musí vyřešit několik technických překážek. Modely trénované na datech z posledních čtyřiceti let znají pouze klima s určitým rozsahem teplot. Pokud se globální průměrná teplota dostane mimo rozsah trénovacích dat, neuronová část může reagovat nespolehlivě. Udržení přesnosti při simulaci stavů, které planeta v moderní historii měření nezažila, zůstává hlavním vědeckým otazníkem celého projektu.
V čem se liší předpověď počasí od klimatického modelu?
Předpověď počasí určuje konkrétní stav atmosféry v daném místě a čase na několik dní dopředu. Klimatický model nepočítá, zda bude v konkrétní den pršet, ale zkoumá dlouhodobé statistické rozložení teplot, srážek a extrémů v průběhu desítek let.
Proč nelze dosavadní meteorologické AI modely rovnou použít na klima?
Čistě neuronové modely mají tendenci po několika týdnech či měsících simulace ztrácet fyzikální rovnováhu. Začnou kumulovat chyby v celkové energii systému a generují nereálné hodnoty tlaku či teploty. Hybridní modely proto kombinují strojové učení s pevnými fyzikálními zákony.
