ハイブリッドAI気候モデルにおける方程式発見と自動チューニングによる雲被覆誤差の低減

科学分野:

• 気候科学
• 大気物理学
• 機械学習の応用

背景:

• 雲のパラメタリゼーションは、気候予測における不確実性の主要な原因です。
• 地球システムモデル（ESM）のための既存のデータ駆動型機械学習アプローチは、しばしば解釈可能性と物理的一貫性を欠いています。

研究 の 目的:

• 物理的に一貫性があり、解釈可能な機械学習による雲被覆のパラメタリゼーションを大気大循環モデルに開発・実装すること。
• ESMを強化することにより、気候予測の精度を向上させ、バイアスを低減すること。

主な方法:

• 象徴的回帰を用いた雲被覆の物理的に一貫したパラメタリゼーションを、嵐解像シミュレーションから導出し、ICON大気大循環モデルに組み込みました。
• ネルダー・ミード最適化手法を適用し、入れ子状の段階で地球観測値に対してハイブリッドモデルの自動再調整を行いました。

主要な成果:

• ハイブリッドモデルは雲被覆のバイアスを大幅に低減し、南極海で75%、亜熱帯の層積雲領域で44%の削減を達成しました。
• 改善されたモデルは、+4Kの地表温暖化条件下で堅牢性を示しました。

結論:

• 解釈可能な機械学習によるパラメタリゼーションは、実用的なチューニング手法と組み合わせることで、地球システムモデルの忠実度を効果的に向上させることができます。
• このアプローチは、気候予測を強化するための透明で効率的な方法を提供します。