大循環モデル (GCM) は、数十年にわたって天気と気候の予測の基礎となってきました。最近、画期的な研究により、機械学習技術と従来の物理モデルを統合することで、長期的な天気と気候を予測する能力が大幅に向上することが実証されました。
Nature誌に掲載されたこの研究では、雲の形成や放射輸送などの未解決の物理プロセスのシミュレーションにニューラル ネットワークを組み込んだ NeuralGCMが紹介されています。
これらのネットワークは過去のデータでトレーニングされており、従来のモデルでは効率的に捉えることができない複雑な気候のダイナミクスを予測することでモデルの精度を向上させます。
天気予報の改善
NeuralGCM は、1 ～ 10 日間の天気予報や長期の気候予測において、最高の物理ベースのモデルと競合できることが証明されています。正確な短期予測を行い、数十年にわたる気候条件をシミュレートするモデルの機能は、気候モデリングの大幅な進歩を表しています。
NeuralGCM の最も注目すべき利点の 1 つは、計算効率です。このモデルは、従来のモデルに必要な計算コストの数分の一で詳細な気候シミュレーションを実行できます。この効率により、より広範囲かつ頻繁なシミュレーションが可能になり、気候変動への理解と対応が容易になります。
潜在的な影響
NeuralGCM にニューラル ネットワークなどの機械学習技術を実装すると、予測精度が向上するだけでなく、複雑な気候シナリオを探索する新たな機会も提供されます。この進歩は、気候政策、天然資源管理、異常気象への備えにおける意思決定にとって極めて重要となる可能性がある。
NeuralGCM は、コンピューター サイエンスと気象学の交差点が、現代の最も差し迫った課題のいくつかに対処するための強力なツールをどのように生み出すことができるかを示す輝かしい例です。これらのテクノロジーの統合と改善を続けることで、地球規模での気象を予測し、それに対応する能力が大幅に向上すると予想されます。
ニュース参照:
Kochkov, D.、Yuval, J.、Langmore, I.、Norgaard, P.、Smith, J.、Mooers, G.、… & Hoyer, S. (2024)。天気と気候の神経大循環モデル。自然、1-7。
