创新背景

全球气候模型一致认为，地球大气中吸热气体积聚的一系列后果，从更高的平均表面温度和上升的海平面到更极端的热浪。但是，气候的其他方面的前景仍然比科学家们希望的更加模糊。随着地球变暖，降雨模式将发生怎样的变化，模型存在分歧。对于许多地区来说，50年后风暴和干旱的频率、暴雨强度或降雪量会有多大的不同，目前还不清楚。

创新过程

越来越多的研究人员利用人工智能技术，将无处不在的大气涟漪的更真实的表现带入全球气候模型，斯坦福大学的科学家就是其中之一。
与扭曲时空结构的引力波不同，引力波是在空气被吹过的风(例如雷雨或高山)强迫上升时产生的。空气被发射到更高、更薄的大气层中，在重力的作用下下降，然后像软木塞从水下浮起一样再次上升。任何一个特定的航空包裹可能会上升和下降几分钟或几个小时，在它前进的过程中运输动量。最终，波浪向上扩散，直到在中层和高层大气中破裂，就像海浪冲击海滩一样。

越来越多的研究人员正在寻找机器学习和人工智能技术的可能解决方案，谢沙德里和埃斯皮诺萨就是其中之一。埃斯皮诺萨表示，对气候模型来说，参数化是一个很大的计算库，所以如果我们可以加速它们，这意味着我们可以提高各种事情的分辨率。
研究人员开发了一个人工智能驱动的模型，称为WaveNet，可以准确模拟消散的重力波如何加速和减速大气风。这项工作涉及用广泛使用的编程语言Python构建和训练一组人工神经网络，然后将它们与几十年前用20世纪50年代的Fortran语言构建的典型全球气候模型耦合。

该模型通过了两项重要的测试。它只根据一年的数据进行了训练，它预测了800年后重力波对极高的二氧化碳浓度的反应，与传统参数化方法的预测结果相似。而且，仅基于一个阶段的数据，它准确地模拟了准两年振荡的完整两阶段周期，这是赤道上空的风的规律性逆转，影响表面天气和臭氧消耗——这是由破碎的重力波驱动的。

创新价值

该模型的测试结果是发展完全数据驱动的引力波参数化的有希望的第一步，这是Sheshadri领导的一个名为DataWave的国际项目的重点。这些参数化可以通过高分辨率区域模拟、高分辨率但短期的全球气候模拟以及互联网传输的超压气球越来越多的大气测量数据进行优化和训练。

创新关键点

研究人员开发了一个人工智能驱动的模型，称为WaveNet，可以准确模拟消散的重力波如何加速和减速大气风。这项工作涉及用广泛使用的编程语言Python构建和训练一组人工神经网络，然后将它们与几十年前用20世纪50年代的Fortran语言构建的典型全球气候模型耦合。

Innovative use of artificial intelligence to solve gravity waves in climate models

The Stanford scientists are among a growing number of researchers using artificial intelligence technology to bring a more realistic representation of the ubiquitous atmospheric ripples into global climate models.
Unlike gravitational waves, which distort the fabric of space-time, gravitational waves are created when air is forced up by passing winds, such as thunderstorms or mountains. The air is launched into the higher, thinner atmosphere, falls under gravity, and then rises again like a cork floating from underwater. Any given air parcel may rise and fall for minutes or hours, transporting momentum as it progresses. Eventually, the waves spread up until they break in the middle and upper atmosphere, like waves crashing on a beach.
Sheshadri and Espinosa are among a growing number of researchers looking for possible solutions to machine learning and artificial intelligence technologies. Parameterization is a big computational library for climate models, so if we can speed them up, it means we can improve the resolution of all sorts of things, Espinoza said.
The researchers developed an AI-powered model, called WaveNet, that accurately simulates how dissipated gravity waves speed up and slow down atmospheric winds. The work involved building and training a set of artificial neural networks in Python, a widely used programming language, and then coupling them to typical global climate models built decades ago in the 1950s Fortran language.
The model passed two important tests. Trained on only one year's data, it predicts how gravity waves will respond to extremely high carbon dioxide concentrations after 800 years, similar to predictions from traditional parameterized methods. And, based on data from just one phase, it accurately models the full two-phase cycle of quasi-biennial oscillations, which are regular reversals of winds over the equator that affect surface weather and ozone depletion - driven by broken gravity waves.