MÔ HÌNH KHÍ HẬU: BA MƯƠI NĂM TÍNH TOÁN, VÀ MƯA VẪN KHÓ

Các mô hình khí hậu cung cấp phần lớn bằng chứng làm nền cho chính sách khí hậu. Từ năm 1995, một chương trình quốc tế có tên CMIP — Dự án So sánh Mô hình Kết hợp (Coupled Model Intercomparison Project) — đã chạy chúng song song, thế hệ này qua thế hệ khác, theo cùng một bộ quy tắc. Mỗi thế hệ dùng lưới tính toán mịn hơn và nhiều quá trình vật lý hơn, do đó cần nhiều năng lực tính toán hơn. Theo một nhóm 24 nhà nghiên cứu do Ioana Colfescu (Đại học St Andrews và Trung tâm Khoa học Khí quyển Quốc gia của Vương quốc Anh) dẫn đầu, điều không ai theo dõi là việc này tiêu tốn bao nhiêu năng lượng, và nó mua được gì.

159 mô hình, một điểm sai số

Nhóm đã tính lại một chỉ số sai số duy nhất cho 159 mô hình thuộc năm thế hệ CMIP, dựa trên dữ liệu đầu ra được lưu trữ của chúng: khí hậu mùa đông (1979–1999) của mỗi mô hình lệch bao xa so với quan trắc, với ba biến — khí áp ở mực nước biển, nhiệt độ không khí bề mặt và lượng mưa. Chỉ ba biến này, vì thế hệ thứ hai không lưu trữ gì khác. Càng thấp càng tốt.

Sai số trung vị giảm từ 1,56 ở thế hệ thứ nhất xuống 0,61 ở thế hệ thứ sáu. Trong cùng thời kỳ, năng lực tính toán cần cho một mô hình điển hình, ước tính từ độ phân giải lưới, đã tăng khoảng 29 lần.

Một tỉ suất lợi ích đều đặn

Qua từng thế hệ, sai số giảm 21, 28, 21 và 14% — một chuỗi không đều. Nhưng khi đặt cạnh lượng năng lực tính toán mà mỗi bước bổ sung, quy luật trở nên đều đặn: sai số giảm 13,5% cho mỗi lần năng lực tính toán tăng gấp đôi, với độ chênh chỉ 0,7 điểm giữa ba bước chuyển mà phép so sánh áp dụng được.

Tỉ suất này dẫn đến một phép tính đơn giản mà đáng suy ngẫm. Muốn giảm một nửa sai số cần khoảng 4,8 lần nhân đôi, “vì 0,865 lũy thừa 4,8 bằng 0,5”, các tác giả viết — và 4,8 lần nhân đôi nghĩa là khoảng gấp 28 lần năng lực tính toán so với các mô hình hiện nay. Trong khi đó, mức tăng năng lực tính toán giữa các thế hệ đã chậm lại, từ 2,2 lần nhân đôi xuống 1,1.

Các tác giả thận trọng về ý nghĩa của con số này. Vật lý tốt hơn cũng cải thiện mô hình, và không thể tách riêng hai yếu tố, nên 13,5% là lợi ích chung của tính toán và khoa học. Và nó mô tả tiến bộ trong quá khứ, chứ không phải một định luật tự nhiên.

Mưa tụt lại phía sau

Một điểm số duy nhất che giấu những khác biệt lớn. Giữa thế hệ thứ nhất và thứ sáu, sai số về khí áp mực nước biển giảm 3,5 lần và về nhiệt độ bề mặt giảm 2,7 lần. Với lượng mưa, nó giảm 7%. Theo thước đo này, ba thập kỷ tăng độ phân giải và độ phức tạp hầu như không cải thiện được biến số quan trọng nhất đối với các tác động của khí hậu.

Năng lượng không ai đo

Việc báo cáo năng lượng còn chắp vá. Tám cơ sở đã công bố dữ liệu đầy đủ cho thế hệ mới nhất chiếm 1.692 tấn CO₂. Trong 13 mô hình có số liệu năng lượng đo được, năng lượng cho mỗi năm mô phỏng chênh nhau 65 lần, và hầu như không tương ứng với độ phân giải. Trong số 30 cơ sở, chín cơ sở công bố số liệu năng lượng theo chuẩn, và không cơ sở nào báo cáo năng lượng gắn với một điểm chất lượng dự báo.

Các mô hình thời tiết AI như GraphCast, Pangu-Weather, FuXi và GenCast nay đã sánh ngang hoặc vượt dự báo độ phân giải cao của Trung tâm châu Âu. Người ta nói rằng chúng rẻ hơn nhiều khi vận hành. Nhưng nhóm nghiên cứu không tìm thấy phép đo nào được công bố về năng lượng cần để tạo ra dự báo của chúng, nên họ đã dựng lại con số từ phần cứng và thời gian chạy được báo cáo. Rồi họ cộng thêm quá trình huấn luyện: khoảng 2.900 kWh với GraphCast, 62.000 kWh với Pangu-Weather. Trong một năm với bốn dự báo mỗi ngày, huấn luyện chiếm hơn 99% năng lượng của mỗi hệ thống, và Pangu-Weather tụt từ hạng hai xuống hạng chót về chất lượng dự báo trên mỗi kilowatt-giờ.

Một đường biên thay cho một bậc thang

Lộ trình đề xuất đánh giá các mô hình trên một mặt phẳng chất lượng–năng lượng: chất lượng trên một trục, năng lượng trên trục kia, và tập hợp các hệ thống không bị hệ thống nào khác vượt ở cả hai mặt. Một điểm số, chất lượng chia cho năng lượng, có thể xếp hạng các hệ thống trong cùng một loại, nhưng các tác giả cảnh báo rằng không bao giờ nên dùng nó một mình: một mô hình gần như vô dụng mà dùng gần như không tốn năng lượng sẽ được điểm cao. Họ cũng đề xuất năm cấp độ báo cáo năng lượng, từ “có báo cáo” đến “đầy đủ và đã được kiểm toán”, cùng bốn cách làm được nhiều hơn với ít năng lượng hơn: thí nghiệm được thiết kế tốt hơn, phần cứng mới như GPU, ít di chuyển dữ liệu hơn, và các thành phần AI có mục tiêu cụ thể.

Họ cũng chỉ ra các rủi ro: chạy rẻ hơn có thể đơn giản dẫn đến chạy nhiều hơn, và việc huấn luyện các mô hình thời tiết lớn vẫn tập trung ở một số ít tổ chức và quốc gia. Bước đầu tiên của họ khá khiêm tốn. Hãy báo cáo năng lượng bên cạnh độ chính xác, với phạm vi rõ ràng, trước khi thế hệ mô hình tiếp theo — CMIP8 — bắt đầu.