В Google Research добились такого результата, объединив классическую физическую модель с машинным обучением
Группа ученых из исследовательского центра Google Research под руководством Дмитрия Кочкова (Dmitrii Kochkov) разработала и обучили гибридную климатическую модель Neural Global Circulation Model — NeuralGCM. Модель может предсказывать погоду на период от одного до 15 дней, используя на три-пять порядков меньше вычислительного времени, чем классические физические модели. При этом она точно отражает вертикальную структуру геострофического и агеострофического ветров, смогла воспроизвести важные атмосферные явления (например, муссоны и ячейку Хэдли) и точно отразила потепление климата в сорокалетней симуляции. Описание модели и результаты ее обучения опубликованы в журнале Nature.
NeuralGCM сочетает в себе динамическое ядро с физическим модулем для решения уравнений и нейросеть, которая моделирует осадки, образование облаков и радиационный перенос, то есть объединяет подход классических физических моделей (таких, как ECMWF) и современных моделей на основе машинного обучения (таких, как GraphCast). По всем параметрам NeuralGCM показала более высокую точность, чем другие модели с машинным обучением, но несколько уступала физическим моделям. При этом она работала с горизонтальным разрешением, в 8-40 раз более грубым, чем ECMWF (не менее 0,7 градуса), что позволяло существенно экономить вычислительные мощности.
Они связаны преимущественно с механизмами повышением цен
За последние 25 лет лишь 63 из 1500 политических мер, принятых в 41 стране мира, оказались климатически эффективны и привели к снижению антропогенных выбросов парниковых газов. Благодаря этому в атмосферу не попало от 600 миллионов до 1,8 миллиарда тонн CO2-эквивалента. Наиболее успешными ученые назвали ценовые инструменты — например, введение целевых налогов и торговлю квотами. Результаты исследования опубликованы в журнале Science.