Tsinghua đề xuất UniCM - mô hình hóa thống nhất nhiều chế độ khí hậu, nâng cao mức độ dự báo khí hậu

Tác giả bài viết, nguồn: 36Kr

[Giới thiệu] Nhóm nghiên cứu của Đại học Thanh Hoa đã đề xuất mô hình UniCM, thông qua khung thống nhất để học các tương tác giữa nhiều chế độ khí hậu, giúp AI hiểu rõ hơn các mối quan hệ phức tạp trong hệ thống khí hậu toàn cầu. Đột phá này không chỉ nâng cao độ chính xác và tính thời sự của dự báo khí hậu, mà còn biến AI thành công cụ khám phá các cơ chế khí hậu, mang lại giá trị quan trọng cho các lĩnh vực như phòng chống thiên tai và nông nghiệp.

Khi nhắc đến dự báo khí hậu, người ta thường quen thuộc nhất với hiện tượng El Niño (ENSO).

Tuy nhiên, khí hậu toàn cầu không bị quyết định bởi một hiện tượng khí hậu đơn lẻ. Ngoài ENSO, nhiều chế độ khí hậu khác như Dao động lưỡng cực Ấn Độ Dương (IOD), Mô态 Bắc Đại Tây Dương nhiệt đới (TNA), và Mô态 kinh tuyến Bắc Thái Bình Dương (NPMM) cùng tồn tại và tạo thành một hệ thống toàn cầu động lực, được kết nối thông qua các mối liên hệ xa跨洋盆 và tương tác biển-khí quyển.

Trong thời gian dài, hầu hết các phương pháp dự đoán chủ yếu tập trung vào một chế độ khí hậu duy nhất hoặc chỉ nghiên cứu mối quan hệ giữa một vài chế độ, khó có thể mô tả các quá trình tương tác phi tuyến phức tạp trong hệ thống khí hậu toàn cầu. UniCM thì đưa nhiều chế độ khí hậu then chốt vào cùng một khung thống nhất để mô hình hóa, coi hệ thống đại dương - khí quyển toàn cầu như một tổng thể tương tác lẫn nhau.

Gần đây, nhóm giáo sư Lý Dũng thuộc Khoa Kỹ thuật Điện tử, Đại học Thanh Hoa, đã công bố bài nghiên cứu có tựa đề “Learning the coupled dynamics of global climate modes” trên tạp chí Nature Machine Intelligence, đề xuất mô hình dự báo thống nhất các chế độ khí hậu toàn cầu UniCM (Unified Climate Model).

Liên kết bài báo: https://www.nature.com/articles/s42256-026-01245-5

Nhóm nghiên cứu phát hiện rằng khả năng dự đoán của hệ thống khí hậu không chỉ đến từ chính các hiện tượng khí hậu đơn lẻ, mà còn đến từ các mối liên kết lâu dài giữa nhiều chế độ khí hậu. Bằng cách học các động lực học liên kết này, UniCM giải phóng ra “khả năng dự đoán nổi bật” (Emergent Predictability) mà các phương pháp truyền thống khó tận dụng được.

Nghiên cứu này đã vượt qua tư duy truyền thống về dự báo khí hậu “một mô hình duy nhất, dự báo riêng lẻ”, lần đầu tiên tiếp cận từ góc độ hệ thống liên hợp toàn cầu, học thống nhất các mối quan hệ động lực học phức tạp giữa nhiều mô hình khí hậu đại dương - khí quyển, cung cấp một mô hình nghiên cứu mới cho dự báo khí hậu dài hạn, cảnh báo sự kiện khí hậu cực đoan và khám phá khoa học khí hậu do AI thúc đẩy.

Bối cảnh nghiên cứu

Trong những năm gần đây, trí tuệ nhân tạo đã đạt được sự phát triển nhanh chóng trong lĩnh vực dự báo thời tiết. Nhiều mô hình AI đã có thể thực hiện dự báo thời tiết độ chính xác cao trong phạm vi từ vài ngày đến vài tuần.

Tuy nhiên, dự báo khí hậu tập trung vào các vấn đề ở quy mô thời gian dài hơn: Hệ thống khí hậu toàn cầu sẽ phát triển như thế nào trong vài tháng, vài năm hoặc lâu hơn nữa? Những khu vực nào có thể xuất hiện hạn hán, lũ lụt, sóng nhiệt và các sự kiện cực đoan khác? Những câu hỏi này liên quan đến các tương tác đa quy mô phức tạp giữa nhiều hệ thống đại dương và khí quyển.

Các phương pháp hiện tại thường xem các chế độ khí hậu như những đối tượng độc lập, trong khi hệ thống khí hậu trong thế giới thực lại là một mạng lưới phức tạp với mức độ liên kết cao. Làm thế nào để AI không chỉ “biết dự đoán” mà còn giúp các nhà khoa học hiểu được các mối quan hệ liên kết dài hạn giữa các chế độ này, trở thành một thách thức quan trọng trong lĩnh vực AI for Science.

Mô hình khí hậu thống nhất với hai góc nhìn

Để giải quyết vấn đề này, nhóm nghiên cứu đã thiết kế kiến trúc hai nhánh UniCM.

Mô hình bao gồm hai module cốt lõi:

1. Globalformer: Học sự tiến hóa của trường vật lý cục bộ

Globalformer xử lý các biến vật lý then chốt như nhiệt độ bề mặt biển (SST), ứng suất gió, độ sâu của lớp pycnocline và nhiệt độ lớp trên của đại dương, học các quy luật tiến hóa không gian-thời gian của hệ thống khí hậu từ các trường khí hậu chi tiết.

2. Modeformer: Học các mối quan hệ giữa các chế độ khí hậu

Modeformer tập trung vào bảy mô hình khí hậu quan trọng gồm ENSO, IOD, TNA, NPMM, SPMM, IOB và SIOD, học các tương tác phi tuyến và quá trình đồng phát triển giữa chúng.

Quan trọng hơn, UniCM đã thiết lập cơ chế ghép nối hai chiều: một mặt, các trường vật lý cục bộ tạo ra các mô hình khí hậu quy mô lớn; mặt khác, các mô hình khí hậu đã hình thành lại tác động ngược lại sự phát triển tương lai của các trường vật lý cục bộ. Nhóm nghiên cứu gọi cơ chế này là “mode-to-patch guidance”, tức là sử dụng trạng thái khí hậu quy mô lớn để hướng dẫn dự báo cục bộ, tạo thành mô hình khép kín từ cục bộ đến tổng thể, rồi từ tổng thể phản hồi trở lại cục bộ.

ENSO được coi là một trong những chế độ khí hậu quan trọng nhất toàn cầu và cũng là nhiệm vụ đầy thách thức nhất trong lĩnh vực dự báo khí hậu dài hạn.

Kết quả nghiên cứu cho thấy, trong các kiểm tra dữ liệu quan sát từ năm 1980 đến 2023, UniCM liên tục vượt trội hơn nhiều mô hình cơ sở đại diện trong khung dự báo 24 tháng. Mô hình này có thể kéo dài thời gian dự báo hiệu quả của ENSO lên tới 19 tháng, trong khi các mô hình tiên tiến trước đây thường chỉ đạt khoảng 15 đến 16 tháng.

Đồng thời, UniCM cũng thể hiện rõ ràng lợi thế vượt trội trong vấn đề “rào cản khả năng dự báo mùa xuân” đã gây khó khăn lâu dài cho lĩnh vực dự báo khí hậu. Mô hình vẫn duy trì kỹ năng dự báo cao khi vượt qua mùa xuân Bắc Bán cầu, kéo dài khả năng dự báo hiệu quả lên khoảng 14 tháng.

Ngoài ra, UniCM đã tái tạo thành công sự kiện El Niño cực đoan năm 1997–1998 và hiện tượng “La Niña ba năm liên tiếp” từ năm 2020–2023, chính xác ghi nhận quá trình hình thành, phát triển và suy yếu của những sự kiện cực đoan lịch sử này.

UniCM không chỉ giỏi dự đoán ENSO, mà còn có thể dự đoán đồng thời bảy loại mô hình khí hậu quan trọng trong cùng một khung, bao gồm ENSO, IOD, IOB, SIOD, SPMM, NPMM và TNA.

Kết quả cho thấy mô hình có khả năng dự đoán vượt trội so với các phương pháp đại diện hiện có trên nhiều chế độ khí hậu. Đặc biệt, đối với các chế độ khó dự đoán không phải ENSO, kỹ năng dự đoán trung bình tăng hơn 22%; thời gian dự báo hiệu quả đối với IOD đạt khoảng 7 tháng.

Quan trọng hơn, UniCM có thể tái tạo chính xác các mối tương quan trễ thực tế giữa các chế độ khí hậu khác nhau. Ví dụ, nó đã thành công trong việc tái hiện mối liên hệ vật lý cho thấy NPMM dẫn trước ENSO khoảng 4 tháng, cũng như các cấu trúc liên kết giữa nhiều chế độ khí hậu xuyên đại dương.

Điều này cho thấy mô hình đã học được các cơ chế liên kết vật lý thực sự tồn tại trong hệ thống khí hậu toàn cầu, chứ không phải chỉ là các mối tương quan thống kê đơn giản.

Ngoài khả năng dự đoán, UniCM còn có tính giải thích cao.

Nhóm nghiên cứu thông qua phân tích cơ chế chú ý bên trong mô hình đã phát hiện rằng, trước các sự kiện ENSO lớn, mô hình tự động tập trung vào các khu vực và mối quan hệ chế độ then chốt có ý nghĩa vật lý.

Ví dụ, trước sự kiện El Niño cực mạnh năm 1997, mô hình đã nhận diện vai trò dẫn đầu quan trọng của NPMM; trong một số sự kiện khí hậu phức tạp, TNA có thể đóng vai trò trung tâm then chốt. Các phát hiện liên quan phù hợp cao với các kết quả nghiên cứu vật lý khí hậu đã có.

Điều này có nghĩa là UniCM không chỉ có thể dự đoán trạng thái khí hậu tương lai, mà còn giúp các nhà khoa học phát hiện ra các cơ chế tiềm ẩn và đưa ra những giả thuyết khoa học mới, từ đó trở thành công cụ hỗ trợ quan trọng trong nghiên cứu khí hậu.

Ứng dụng và triển vọng phát triển trong tương lai

Trong bối cảnh biến đổi khí hậu toàn cầu, tầm quan trọng của các dự báo khí hậu dài hạn ngày càng nổi bật. Các dự báo khí hậu chính xác hơn và có thời gian dự báo dài hơn sẽ trực tiếp phục vụ các lĩnh vực như sản xuất nông nghiệp, quản lý tài nguyên nước, điều phối năng lượng, phát triển thủy sản và giảm nhẹ thiên tai.

Nhóm nghiên cứu cho rằng, UniCM không chỉ đại diện cho một mô hình dự báo khí hậu mới, mà còn là tư tưởng mô hình hóa thống nhất hướng tới các hệ thống phức tạp. Trong tương lai, khung này có tiềm năng được mở rộng sang các nghiên cứu về dao động nội mùa, biến đổi khí hậu theo thập kỷ và sự tiến hóa của các mô hình khí hậu trong bối cảnh nóng lên toàn cầu, đồng thời được ứng dụng thêm vào các hệ thống phức tạp khác có đặc trưng tương tác hai chiều giữa "quá trình cục bộ – cấu trúc tổng thể".

Từ “dự đoán thời tiết” đến “hiểu khí hậu”, rồi đến “phát hiện quy luật”, UniCM đã cho thấy những khả năng mới của trí tuệ nhân tạo trong khoa học hệ thống Trái Đất: những thông tin dự đoán thực sự quan trọng có thể không ẩn giấu trong một chỉ số khí hậu nào đó, mà nằm trong các mối quan hệ phối hợp liên tục phát triển của toàn bộ hệ thống khí hậu.

Tài liệu tham khảo: https://www.nature.com/articles/s42256-026-01245-5