Os modelos climáticos actuais captam com sucesso as tendências gerais do aquecimento global. No entanto, devido às incertezas sobre processos que são de pequena escala, mas globalmente importantes , como nuvens e turbulência oceânica , as previsões destes modelos sobre as próximas mudanças climáticas não são muito precisas em detalhe.

Por exemplo, as previsões sobre o momento em que a temperatura média global da superfície da Terra terá aquecido 2°C, em relação aos tempos pré-industriais, variam entre 40 e 50 anos (uma geração humana completa) entre os modelos atuais. Como resultado, não temos as previsões precisas e geograficamente granulares de que necessitamos para planear infraestruturas resilientes, adaptar as cadeias de abastecimento às perturbações climáticas e avaliar os riscos dos perigos relacionados com o clima para as comunidades vulneráveis.

Em grande parte, isso ocorre porque as nuvens dominam os erros e as incertezas nas previsões climáticas para as próximas décadas [ 1 , 2 , 3 ]. As nuvens refletem a luz solar e exercem um efeito de estufa , tornando-as cruciais para regular o equilíbrio energético da Terra e mediar a resposta do sistema climático às mudanças nas concentrações de gases com efeito de estufa.

No entanto, são demasiado pequenos em escala para serem diretamente resolvidos nos modelos climáticos atuais. Os modelos climáticos atuais resolvem movimentos em escalas de dezenas a cem quilómetros, com alguns avançando para a escala do quilómetro .

No entanto, os movimentos turbulentos do ar que sustentam, por exemplo, as nuvens baixas que cobrem grandes extensões de oceanos tropicais têm escalas de metros a dezenas de metros.

Devido a esta grande diferença de escala, os modelos climáticos utilizam parametrizações empíricas de nuvens, em vez de simulá-las diretamente, o que resulta em grandes erros e incertezas.

Embora as nuvens não possam ser resolvidas diretamente em modelos climáticos globais, a sua dinâmica turbulenta pode ser simulada em áreas limitadas usando simulações de grandes redemoinhos (LES) de alta resolução.

No entanto, o alto custo computacional da simulação de nuvens com LES inibiu a experimentação numérica ampla e sistemática e atrasou a geração de grandes conjuntos de dados para treinar esquemas de parametrização para representar nuvens em modelos climáticos globais de resolução mais grosseira.

Em “ Accelerating Large-Eddy Simulations of Clouds with Tensor Processing Units ”, publicado no Journal of Advances in Modeling Earth Systems (JAMES), e em colaboração com um líder da Climate Modeling Alliance (CliMA) que é pesquisador visitante no Google, demonstramos que Unidades de Processamento de Tensores (TPUs) – circuitos integrados específicos de aplicativos que foram originalmente desenvolvidos para aplicativos de aprendizado de máquina (ML) – podem ser usados ​​com eficácia para executar LES de nuvens.

Mostramos que TPUs, em conjunto com implementações de software personalizadas, podem ser usadas para simular nuvens estratocúmulos marinhas particularmente desafiadoras do ponto de vista computacional nas condições observadas durante o estudo de campo de Dinâmica e Química de Estratocúmulos Marinhos (DYCOMS). 

Este código LES baseado em TPU bem-sucedido revela a utilidade das TPUs, com seus grandes recursos computacionais e interconexões estreitas, para simulações em nuvem.

A precisão do modelo climático para métricas críticas, como a precipitação ou o balanço energético no topo da atmosfera, melhorou cerca de 10% por década nos últimos 20 anos. Nosso objetivo é que esta pesquisa possibilite uma redução de 50% nos erros dos modelos climáticos, melhorando a representação das nuvens.

Simulações de grandes redemoinhos em TPUs

Neste trabalho, nos concentramos nas nuvens estratocúmulos, que cobrem cerca de 20% dos oceanos tropicais e são o tipo de nuvem mais prevalente na Terra. Os modelos climáticos atuais ainda não são capazes de reproduzir corretamente o comportamento das nuvens estratocúmulos, o que tem sido uma das maiores fontes de erros nesses modelos. Nosso trabalho fornecerá dados muito mais precisos para modelos climáticos de grande escala.

Nossas simulações de nuvens em TPUs exibem rendimento e escala computacional sem precedentes, tornando possível, por exemplo, simular nuvens estratocúmulos com aceleração de 10x em relação à evolução em tempo real em áreas de até cerca de 35 × 54 km ² .

Esses tamanhos de domínio estão próximos da área da seção transversal das típicas caixas de grade do modelo climático global. Nossos resultados abrem novos caminhos para experimentos computacionais e para ampliar substancialmente a amostra de LES disponível para treinar parametrizações de nuvens para modelos climáticos globais.

Renderização da evolução das nuvens a partir de uma simulação de um lençol de nuvens estratocúmulos de 285 x 285 x 2 km 3 . Esta é a maior camada de nuvens desse tipo já simulada. Esquerda : Uma visão oblíqua do campo de nuvens com a câmera navegando. À direita : vista superior do campo de nuvens com a câmera gradualmente afastada.

O código LES é escrito em TensorFlow, uma plataforma de software de código aberto desenvolvida pelo Google para aplicativos de ML. O código aproveita a computação gráfica do TensorFlow e as otimizações de álgebra linear acelerada (XLA), que permitem a exploração completa do hardware TPU, incluindo as interconexões entre chips (ICI) de alta velocidade e baixa latência que nos ajudaram a alcançar esse desempenho sem precedentes.

Ao mesmo tempo, o código TensorFlow facilita a incorporação de componentes de ML diretamente no solucionador de fluidos baseado em física.

Validamos o código simulando casos de teste canônicos para solucionadores de fluxo atmosférico, como uma bolha flutuante que sobe na estratificação neutra e uma bolha flutuante negativamente que afunda e colide com a superfície. Esses casos de teste mostram que o código baseado em TPU simula fielmente os fluxos, com detalhes turbulentos cada vez mais finos emergindo à medida que a resolução aumenta.

Os testes de validação culminam em simulações das condições durante a campanha de campo do DYCOMS. O código baseado em TPU reproduz de forma confiável os campos de nuvens e as características de turbulência observadas pelas aeronaves durante uma campanha de campo – um feito que é notoriamente difícil de alcançar para o LES devido às rápidas mudanças de temperatura e outras propriedades termodinâmicas no topo dos conveses de estratocúmulos.

 

Com esta base estabelecida, nosso próximo objetivo é ampliar substancialmente os bancos de dados existentes de simulações de nuvens de alta resolução que os pesquisadores que constroem modelos climáticos possam usar para desenvolver melhores parametrizações de nuvens – sejam elas para modelos baseados em física, modelos de ML ou híbridos dos dois. .

Isto requer processos físicos adicionais além dos descritos no documento ; por exemplo, a necessidade de integrar processos de transferência radiativa no código.

Nosso objetivo é gerar dados através de uma variedade de tipos de nuvens, por exemplo, nuvens de tempestade.

Renderização de uma simulação de tempestade usando o mesmo simulador do trabalho de simulação de estratocúmulo. As chuvas também podem ser observadas perto do solo.

Este trabalho ilustra como os avanços em hardware para ML podem ser surpreendentemente eficazes quando reaproveitados em outras áreas de pesquisa – neste caso, a modelagem climática.

Estas simulações fornecem dados de formação detalhados para processos como a turbulência na nuvem, que não são diretamente observáveis, mas que são de importância crucial para a modelização e previsão do clima.

O tema é bem endereçado pelo Pesquisador Paulo Orenstein.