Slimme computermodellen leren oceaanwervelingen beter voorspellen door meteen in detail te kijken

Denk aan de Golfstroom: die warme oceaanstroom die Europa een mild klimaat geeft. Binnen zo'n grote stroom zitten duizenden kleine draaikolken, oceaanwervelingen genoemd. Die wervelingen zijn piepklein vergeleken met de hele oceaan, maar ze spelen een grote rol in hoe warmte en energie zich over de aarde verspreiden. Nieuw onderzoek laat zien hoe je die wervelingen het beste met kunstmatige intelligentie (AI) kunt simuleren.

Om te snappen wat het klimaat gaat doen, gebruiken wetenschappers computermodellen van de oceaan. Modellen die ook de kleine wervelingen in beeld brengen, zijn het meest nauwkeurig. Het probleem: zulke gedetailleerde modellen kosten enorm veel rekenkracht, opslagruimte en tijd. Ze zijn daardoor duur en lastig te delen tussen onderzoeksgroepen.

AI kan daarbij helpen, dachten onderzoekers. Maar er was een belangrijke vraag onbeantwoord: kun je beter eerst een grof model laten draaien en dat later verfijnen met AI (dat heet downscaling, oftewel het later toevoegen van detail aan een ruwe simulatie)? Of werkt het beter om de AI vanaf het begin te laten leren op de hoge resolutie zelf, dus met veel detail van start af aan?

Twee methodes getest

Het onderzoeksteam bouwde twee soorten AI-modellen. Eén model werkte op grove resolutie, met vakjes van ongeveer 1 graad breedte, zo'n 100 kilometer. Dat model werd daarna verfijnd naar meer detail. Het andere model leerde direct op hoge resolutie, met vakjes van 0,1 graad, dus ongeveer 10 kilometer. Beide modellen bleven stabiel tijdens lange simulaties, zonder dat de resultaten langzaam gingen afwijken van de werkelijkheid.

Het verschil in resultaat was duidelijk. Het model dat meteen op hoge resolutie leerde, wist de energie in de wervelingen, hun patronen en de scherpe overgangen tussen watermassa's (fronten genoemd) goed te behouden. Het model dat eerst grof simuleerde en daarna verfijnde, kreeg de grote lijnen van de oceaan wel goed in beeld, maar miste de belangrijke details van de wervelingen zelf.

Een ander belangrijk resultaat: de uitkomsten van het hogeresolutiemodel waren consistent, ook wanneer het op verschillende soorten computers draaide. Dat is belangrijk, want het betekent dat andere onderzoeksgroepen de resultaten kunnen vertrouwen en herhalen, ongeacht welke hardware ze gebruiken.

Wat betekent dit voor de praktijk

Deze uitkomst heeft gevolgen voor hoe toekomstige klimaatmodellen worden gebouwd. Het laat zien dat je niet kunt bezuinigen door eerst grof te rekenen en pas later detail toe te voegen, als je de kleine, maar invloedrijke oceaanwervelingen goed wilt meenemen. Je hebt training op basis van echte hogeresolutie-simulaties nodig. Dat betekent dat de bestaande, dure fysische oceaanmodellen voorlopig onmisbaar blijven: ze leveren het detailrijke lesmateriaal waarmee AI-modellen leren.

Bron: Learning native eddy-resolving ocean dynamics outperforms coarse emulation and downscaling