Тсінхуа запропонувала UniCM — єдину модель для кількох кліматичних модальностей, що підвищує рівень кліматичного прогнозування

Автор статті, джерело: 36Kr

[Вступ] Команда Цинхуа запропонувала модель UniCM, яка за допомогою єдиної рамки вивчає взаємодію кількох кліматичних модальностей, що допомагає ШІ краще розуміти складні зв’язки глобальної кліматичної системи. Цей прорив не лише підвищує точність та оперативність кліматичних прогнозів, але й перетворює ШІ на інструмент дослідження кліматичних механізмів, що має важливе значення для галузей, таких як запобігання лихам та сільське господарство.

Щодо кліматичних прогнозів, найбільш відомим є Ель-Ніньо (ENSO).

Однак глобальний клімат не визначається лише одним кліматичним явищем. Крім ENSO, кілька кліматичних модусів, таких як Індійський океанський диполь (IOD), тропічний східний атлантичний режим (TNA) та північно-тихоокеанський меридіональний модус (NPMM), існують одночасно та утворюють динамічно зв’язану глобальну систему завдяки міжбасейновим далінним зв’язкам та океано-атмосферним взаємодіям.

Протягом тривалого часу більшість методів прогнозування зосереджувалися на окремих кліматичних модах або вивчали зв’язки лише між декількома модами, що ускладнювало опис складних нелінійних взаємодій у глобальній кліматичній системі. UniCM включає кілька ключових кліматичних мод у єдину уніфіковану рамку, розглядаючи глобальну океано-атмосферну систему як взаємопов’язаний цілий.

Недавно команда професора Лі Юна з кафедри електронної інженерії Цинхуа університету опублікувала дослідницьку статтю під назвою «Learning the coupled dynamics of global climate modes» у журналі «Nature Machine Intelligence», у якій було запропоновано єдину прогностичну модель глобальних кліматичних режимів UniCM (Unified Climate Model).

Посилання на статтю: https://www.nature.com/articles/s42256-026-01245-5

Дослідницька група виявила, що передбачуваність кліматичної системи походить не лише з окремих кліматичних явищ, а й із довготривалих зв’язків між кількома кліматичними режимами. Вивчаючи ці зв’язані динаміки, UniCM відкриває «вироджену передбачуваність» (Emergent Predictability), яку традиційні методи важко використовувати.

Це дослідження подолало традиційний підхід до кліматичного прогнозування «один модальний, окреме прогнозування» і вперше з глобальної точки зору сполучених систем систематично вивчає складні динамічні зв’язки між кількома океано-атмосферними кліматичними модами, надаючи нову наукову парадигму для довгострокового кліматичного прогнозування, попередження екстремальних кліматичних подій та відкриттів у кліматичній науці, заснованих на ШІ.

Дослідницький контекст

Останнім часом штучний інтелект досяг швидкого розвитку в галузі прогнозування погоди. Різні моделі ШІ вже здатні забезпечувати високоточні прогнози погоди на терміни від кількох днів до кількох тижнів.

Однак кліматичне прогнозування стосується питань на більш довгих часових масштабах: яким чином глобальна кліматична система буде еволюціонувати протягом майбутніх місяців, років або навіть довше? Які регіони можуть стати свідками екстремальних явищ, таких як посуха, повені, хвилі спеки? Ці питання стосуються складних міжмасштабних взаємодій між кількома океанічними та атмосферними системами.

Існуючі методи часто розглядають кліматичні моди як взаємно незалежні об’єкти, тоді як реальна кліматична система є високо зв’язаною складною мережею. Як зробити так, щоб ШІ не просто «вмів передбачати», а й допомагав вченим розуміти довгострокові зв’язки між цими модами, стає важливим викликом у галузі AI for Science.

«Дві перспективи» єдина кліматична модель

Для вирішення цієї проблеми дослідницька команда розробила архітектуру UniCM з двома гілками.

Модель містить два основні модулі:

1. Globalformer: вивчення еволюції локальних фізичних полів

Globalformer обробляє ключові фізичні змінні, такі як температура поверхні океану (SST), напруження вітру, глибина термокліну та температура верхнього шару океану, вивчаючи просторово-часові закономірності кліматичної системи з дрібнозернистих кліматичних полів.

2. Modeformer: вивчення взаємозв’язків між кліматичними режимами

Modeformer зосереджується на семи ключових кліматичних модах: ENSO, IOD, TNA, NPMM, SPMM, IOB та SIOD, вивчаючи їхні нелінійні взаємодії та спільні процеси еволюції.

Ще важливіше, UniCM створює двонаправлений зв’язок: з одного боку, локальні фізичні поля генерують масштабні кліматичні моди; з іншого боку, сформовані кліматичні моди зворотньо впливають на майбутнє розвиток локальних фізичних полів. Дослідницька команда назвала цей механізм «mode-to-patch guidance» — використання масштабних кліматичних станів для керування локальними прогнозами, що забезпечує замкнене моделювання від локального до глобального і назад.

ENSO вважається одним із найважливіших кліматичних режимів у світі та найскладнішою задачею у галузі довгострокового кліматичного прогнозування.

Результати дослідження показують, що UniCM постійно перевершує ряд представницьких базових моделей у тестуванні спостережуваних даних за період 1980–2023 років у межах 24-місячного прогнозного вікна. Модель здатна продовжити ефективний термін прогнозування ENSO до 19 місяців, тоді як ранішні передові моделі зазвичай досягали лише 15–16 місяців.

Одночасно UniCM також демонструє значні переваги у вирішенні проблеми «весняного бар’єру передбачуваності», яка довгий час ставила під загрозу прогнозування клімату. Модель зберігає високу точність прогнозування під час переходу через весняний період у Північній півкулі, продовжуючи ефективний період прогнозування до приблизно 14 місяців.

Крім того, UniCM успішно відтворив супер-Ель-Ніньо 1997–1998 років та тривалий трирічний «трипл-Ла-Нінья» 2020–2023 років, точно зафіксувавши виникнення, розвиток і загасання цих історичних екстремальних подій.

UniCM не лише добре передбачає ENSO, але й може одночасно передбачати сім ключових кліматичних модусів у межах однієї ж рамки: ENSO, IOD, IOB, SIOD, SPMM, NPMM і TNA.

Результати показують, що модель має кращу прогностичну здатність на кількох кліматичних режимах порівняно з існуючими代表性 методами. Зокрема, для складних для прогнозування не-ENSO режимів середнє покращення прогностичної точності перевищує 22%; ефективний термін прогнозування IOD досягає приблизно 7 місяців.

Ще важливіше, UniCM здатна точно відтворити реальні лагові кореляції між різними кліматичними режимами. Наприклад, їй вдалося відтворити фізичний зв’язок, за яким NPMM передує ENSO приблизно на 4 місяці, а також зв’язки між кількома кліматичними режимами між океанами.

Це свідчить про те, що модель вивчила не просто статистичні кореляції, а фізичні механізми зв’язку, які існують у глобальній кліматичній системі.

Крім здатності до прогнозування, UniCM має високу пояснюваність.

Дослідницька команда, проаналізувавши внутрішній механізм уваги моделі, виявила, що перед великими подіями ЕНСО модель автоматично зосереджується на ключових областях та ключових модальних зв’язках, що мають фізичний зміст.

Наприклад, перед ел-Ніньйо 1997 року модель виявила важливу передувальну роль NPMM; у деяких складних кліматичних подіях TNA, ймовірно, відіграє ключову посередницьку роль. Отримані результати добре узгоджуються з існуючими кліматичними фізичними дослідженнями.

Це означає, що UniCM може не лише передбачати майбутні кліматичні стани, а й допомагати вченим виявляти потенційні механізми та формулювати нові наукові гіпотези, ставши важливим інструментом для кліматологічних досліджень.

Майбутні застосування та перспективи розвитку

На тлі глобальних кліматичних змін значення довгострокових кліматичних прогнозів поступово зростає. Більш точні та довготривалі кліматичні прогнози безпосередньо сприятимуть сільському господарству, управлінню водними ресурсами, розподілу енергії, розвитку рибальства та запобіганню та зменшенню небезпеки.

Дослідницька група вважає, що UniCM втілює не лише нову модель кліматичного прогнозування, а й уніфікований підхід до моделювання складних систем. У майбутньому цей фреймворк може бути розширений для дослідження внутрішньосезонних осциляцій, десятирічних кліматичних змін та еволюції кліматичних режимів на тлі глобального потепління, а також застосований до інших складних систем із двостороннім зв’язком між локальними процесами та загальною структурою.

Від «прогнозування погоди» до «розуміння клімату» і далі до «виявлення закономірностей» UniCM демонструє нові можливості штучного інтелекту в науці про земну систему: справді важлива прогностична інформація, можливо, не прихована в одному з кліматичних показників, а міститься в зв’язках між усіма компонентами кліматичної системи, що постійно розвиваються.

Джерело: https://www.nature.com/articles/s42256-026-01245-5