Episode description
Vi forskere holder et vågent øje med isen i Grønland og Arktis, for selvom der er meget is, ved du sikkert allerede, at isen smelter hurtigere og hurtigere.Det skyldes den globale opvarmning, som både den seneste IPCC-rapport fra FN's klimapanel og beregninger fra GEUS understreger.
Men hvor hurtigt smelter isen, og hvor meget smeltevand bliver egentlig produceret? Det ved vi ikke med sikkerhed.
De modeller, vi bruger til at forudsige, hvor meget is der vil være i fremtiden, og hvor hurtigt den vil forsvinde, er langsomme, komplekse og uenige om omfanget af afsmeltningen, som du kan se på figuren herunder.
Derfor arbejder vi nu på et nyt projekt for at udvikle AI-modeller, der kan skabe hurtigere og mere præcise udregninger af, hvor meget is og smeltevand der er i fremtiden.
Grønlands indlandsis ændrer sig hele tiden. Man kan sammenligne det med en bankkonto: Penge kommer ind forskellige steder fra, og så strømmer de ud igen andre steder.
Og ligesom beløbet på en bankkonto kan ismassen på den grønlandske indlandsis stige og falde.
Iskappen vokser ved overfladen, når det sner, men den bliver tyndet ud og trækker sig tilbage, når overfladen smelter.
Fagordet 'Massebalancen for overfladen' beskriver kun denne stigning og fald af sne og is ved overfladen.
Sne falder det meste af året på den grønlandske indlandsis, men i sommermånederne, hvor temperaturerne er høje (nogle gange 0 grader i midten af Indlandsisen og over 10 grader ved randen af iskappen), smelter overfladen i lavere højder, og vandet kan løbe ned ad Indlandsisen.
I den ideelle verden ville vinterens masseforøgelse svare til sommerens tab af masse (penge ud fra og penge ind på bankkontoen).
Men som følge af den globale opvarmning svarer stigningen i overflademasse om vinteren ikke til det øgede tab af overflademasse om sommeren.
Klimaforskere observerer i øjeblikket fysiske fænomener som smeltende is og forsøger at beskrive udviklingen med ligninger, som computere kan løse.
Denne tilgang kaldes 'numerisk modellering'.
Modeller skaber et groft gitter, og hvert punkt i gitteret skal repræsentere, hvad der sker på en lokation på Indlandsisen og i det nærliggende område.
Modeller fungerer godt, hvis gitteret er meget finmasket, men jo mere finmasket gitteret er, desto længere er beregningstiden.
Beregningskraften er blevet bedre de seneste årtier, og derfor er modellernes rumlige opløsning (=hvor fint gitteret er) forbedret.
I figuren nedenfor kan du se et eksempel på, hvordan vores modeller er blevet forbedret over tid.
Vil vi have pålidelige forudsigelser for massebalancen på overfladen af Indlandsisen, så kræver det en så fin opløsning, at kun ekstremt kraftige computere kan udregne ligningerne, eller vi skal bruge flere år på at køre modellerne.
Så kraftige computere har vi ikke, og så meget tid har vi heller ikke. Men hvor skal vi lede efter nye løsninger?
AI udvikler sig hastigt disse år og bliver i dag brugt blandt andet som sprogmodeller (som ChatGPT) til at generere billeder (Dall-E) og indenfor lægevidenskab og maskinteori.
AI-modeller har også vakt klimaforskernes interesse - blandt andet vores.
I klimamodellering kan AI-modeller nemlig bruges til at lave et skøn for, hvad de numeriske modeller vil forudsige, bare uden at skulle løse komplekse fysiske ligninger.
På den måde vil vi være i stand til at lave nye forudsigelser til en brøkdel af de nuværende udgifter for beregningerne, som dette studie peger på.
Her lykkedes det forskere at lave øjeblikkelige forudsigelser med AI, mens den numeriske model brugte flere uger på at lave sine forudsigelser på en supercomputer.
Hvor meget hurtigere, vi kan lave beregningerne, afhænger dog af den specifikke applikation, men det, der virkelig er tidskrævende i AI, er træningen af modellen, som også afhænger meget af den tilgængelige hardware.
I vores projekter udvikler vi AI-modeller designet til at efterligne de numeriske modellers forudsigelser.
En enkelt simulering fra en af de nuværende standardmodeller producerer ...