زمین و اقلیمپیش‌چاپتحلیل داده۴ دقیقه مطالعه

مدل‌های اقلیمی: سی سال محاسبه، و باران هنوز سخت است

بخش بزرگی از شواهد پشتوانهٔ سیاست‌های اقلیمی را مدل‌های اقلیمی فراهم می‌کنند. از 1995، برنامه‌ای بین‌المللی به نام CMIP — پروژهٔ مقایسهٔ متقابل مدل‌های جفت‌شده (Coupled Model Intercomparison Project) — این مدل‌ها را نسل به نسل، با قواعد مشترک، کنار هم اجرا کرده است. هر نسل از شبکه‌های ریزتر و فیزیک بیشتر، و در نتیجه از محاسبهٔ بیشتر، استفاده کرده است. به گفتهٔ گروهی 24 نفره از پژوهشگران به سرپرستی یوآنا کولفسکو (Ioana Colfescu، دانشگاه سنت اندروز و مرکز ملی علوم جوی بریتانیا)، چیزی که کسی پیگیری نمی‌کند این است که این کار چقدر انرژی می‌برد و در ازایش چه به دست می‌آید.

159 مدل، یک نمرهٔ خطا

این گروه برای 159 مدل از پنج نسل CMIP، با استفاده از خروجی‌های بایگانی‌شده‌شان، یک شاخص خطای واحد را دوباره محاسبه کرد: اینکه اقلیم زمستانی هر مدل (1979–1999) برای سه متغیر چقدر از مشاهدات فاصله می‌گیرد — فشار هوا در سطح دریا، دمای هوای سطحی و بارش. فقط همین سه، چون نسل دوم هیچ چیز دیگری را بایگانی نکرده بود. هرچه کمتر، بهتر.

میانهٔ خطا از 1.56 در نسل نخست به 0.61 در نسل ششم می‌رسد. در همین دوره، محاسبهٔ لازم برای یک مدل معمولی، که از وضوح شبکه‌اش برآورد شده، حدود 29 برابر شده است.

نرخ بازدهی ثابت

نسل به نسل، خطا 21، 28، 21 و 14 درصد کم می‌شود — رشته‌ای نامنظم. اما وقتی با میزان محاسبه‌ای که هر گام افزوده سنجیده شود، الگو منظم می‌شود: 13.5٪ خطای کمتر به ازای هر دو برابر شدن محاسبه، با پراکندگی تنها 0.7 واحد در سه گذاری که مقایسه در آن‌ها ممکن است.

این نرخ حسابی ساده و هشیارکننده به دست می‌دهد. نصف کردن خطا حدود 4.8 بار دو برابر شدن می‌خواهد، به نوشتهٔ نویسندگان «چون 0.865 به توان 4.8 می‌شود 0.5» — و 4.8 بار دو برابر شدن یعنی حدود 28 برابر محاسبهٔ بیشتر از مدل‌های امروز. در این میان، رشد محاسبه میان نسل‌ها کند شده است، از 2.2 بار دو برابر شدن به 1.1.

نویسندگان دربارهٔ معنای این عدد محتاط‌اند. فیزیک بهتر هم مدل‌ها را بهبود می‌دهد و این دو را نمی‌توان از هم جدا کرد، پس 13.5٪ بازده مشترک محاسبه و علم را می‌سنجد. و این عدد پیشرفت گذشته را توصیف می‌کند، نه یک قانون طبیعت را.

باران عقب می‌ماند

یک نمرهٔ واحد تفاوت‌های بزرگی را پنهان می‌کند. میان نسل نخست و ششم، خطای فشار سطح دریا 3.5 برابر و خطای دمای سطح 2.7 برابر کم شد. خطای بارش اما 7٪ کاهش یافت. بر پایهٔ این سنجه، سه دهه وضوح و پیچیدگیِ افزوده، متغیری را که برای پیامدهای اقلیمی از همه مهم‌تر است به‌زحمت بهتر کرده است.

انرژی‌ای که کسی نمی‌سنجد

گزارش‌دهی انرژی ناقص و پراکنده است. هشت مؤسسه‌ای که برای نسل اخیر داده‌های کامل منتشر کرده‌اند، 1,692 تن CO₂ را به حساب می‌آورند. در میان 13 مدلی که انرژی‌شان اندازه‌گیری شده، انرژی به ازای هر سال شبیه‌سازی‌شده 65 برابر تفاوت دارد و تقریباً هیچ ربطی به وضوح ندارد. از 30 مؤسسه، نُه مؤسسه ارقام استانداردشدهٔ انرژی منتشر می‌کنند و هیچ‌کدام انرژی را در پیوند با یک نمرهٔ مهارت (skill) گزارش نمی‌کند.

مدل‌های هواشناسی هوش مصنوعی مانند GraphCast، Pangu-Weather، FuXi و GenCast اکنون با پیش‌بینی پرتفکیک مرکز اروپایی برابری می‌کنند یا از آن پیش می‌افتند. گفته می‌شود اجرایشان بسیار ارزان‌تر است. اما گروه هیچ اندازه‌گیری منتشرشده‌ای از انرژیِ لازم برای تولید پیش‌بینی‌هایشان پیدا نکرد، پس آن را از سخت‌افزار و زمان‌های اجرای گزارش‌شده بازسازی کرد. سپس آموزش را هم افزود: حدود 2,900 کیلووات‌ساعت برای GraphCast و 62,000 کیلووات‌ساعت برای Pangu-Weather. در طول یک سال با چهار پیش‌بینی در روز، آموزش بیش از 99٪ انرژی هر سامانه است، و Pangu-Weather در مهارت به ازای هر کیلووات‌ساعت از رتبهٔ دوم به آخر سقوط می‌کند.

یک مرز به جای یک نردبان

این نقشهٔ راه پیشنهاد می‌کند مدل‌ها روی یک صفحهٔ مهارت–انرژی داوری شوند: مهارت روی یک محور، انرژی روی محور دیگر، و مجموعهٔ سامانه‌هایی که هیچ سامانهٔ دیگری در هر دو از آن‌ها بهتر نیست. نمره‌ای از تقسیم مهارت بر انرژی می‌تواند سامانه‌ها را درون یک رده رتبه‌بندی کند، اما نویسندگان هشدار می‌دهند که هرگز نباید به‌تنهایی به کار رود: مدلی تقریباً بی‌فایده که تقریباً هیچ انرژی مصرف نمی‌کند نمرهٔ خوبی می‌گرفت. آن‌ها همچنین پنج سطح برای گزارش انرژی پیشنهاد می‌کنند، از «گزارش‌شده» تا «کامل و حسابرسی‌شده»، و چهار راه برای انجام کار بیشتر با منابع کمتر: آزمایش‌های بهتر طراحی‌شده، سخت‌افزار جدید مانند GPUها، جابه‌جایی کمتر داده، و اجزای هدفمند هوش مصنوعی.

آن‌ها خطرها را هم یادآوری می‌کنند: اجراهای ارزان‌تر ممکن است صرفاً به معنای اجراهای بیشتر باشد، و آموزش مدل‌های بزرگ هواشناسی همچنان در دست چند سازمان و کشور متمرکز است. نخستین گامشان فروتنانه است: پیش از آنکه نسل بعدی مدل‌ها — CMIP8 — آغاز شود، انرژی را با مرزهای روشن، کنار دقت گزارش کنید.