¿Un futuro sin nubes? El misterio en el corazón de los pronósticos climáticos

Escuchamos mucho acerca de cómo el cambio climático cambiará la tierra, el mar y el hielo. Pero, ¿cómo afectará a las nubes?

«Las nubes bajas podrían secarse y encogerse como las capas de hielo», dice Michael Pritchard, profesor de ciencias del Sistema Terrestre en UC Irvine. «O podrían espesarse y volverse más reflectantes».

Estos dos escenarios darían como resultado climas futuros muy diferentes. Y eso, dice Pritchard, es parte del problema.

«Si le preguntas a dos modelos climáticos diferentes cómo será el futuro cuando agreguemos mucho más CO₂, obtienes dos respuestas muy diferentes. Y la razón clave de esto es la forma en que las nubes se incluyen en los modelos climáticos».

Nadie niega que las nubes y los aerosoles (pedazos de hollín y polvo que nuclean las gotas de las nubes) son una parte importante de la ecuación climática. El problema es que estos fenómenos ocurren en una escala de duración y tiempo que los modelos actuales no pueden reproducir. Por lo tanto, se incluyen en los modelos a través de una variedad de aproximaciones.

Los análisis de los modelos climáticos globales muestran consistentemente que las nubes constituyen la mayor fuente de incertidumbre e inestabilidad.

Renovación de códigos comunitarios

Mientras que el modelo climático global más avanzado de EE. UU. lucha por acercarse a una resolución global de 4 kilómetros, Pritchard estima que los modelos necesitan una resolución de al menos 100 metros para capturar los remolinos turbulentos a escala fina que forman sistemas de nubes poco profundas, 40 veces más resueltos en cada dirección. Podría tomar hasta 2060, de acuerdo con la ley de Moore, antes de que el poder de cómputo esté disponible para capturar este nivel de detalle.

Pritchard está trabajando para corregir esta evidente brecha al dividir el problema del modelado climático en dos partes: un modelo planetario de grano grueso y baja resolución (100 km) y muchos parches pequeños con una resolución de 100 a 200 metros. Las dos simulaciones se ejecutan de forma independiente y luego intercambian datos cada 30 minutos para asegurarse de que la simulación no se desvíe ni se vuelva poco realista.

Su equipo informó los resultados de estos esfuerzos en el Revista de avances en el modelado de sistemas terrestres en abril de 2022.

Este método de simulación climática, llamado «Marco de modelado multiescala (MMF)», existe desde el año 2000 y ha sido durante mucho tiempo una opción dentro del modelo Community Earth System Model (CESM), desarrollado en el Centro Nacional de Investigación Atmosférica. Últimamente, la idea ha disfrutado de un renacimiento en el Departamento de Energía, donde los investigadores del Modelo del sistema terrestre de exaescala de energía (E3SM) la han estado impulsando a nuevas fronteras computacionales como parte del Proyecto de computación a exaescala. El coautor de Pritchard, Walter Hannah, del laboratorio nacional Lawrence Livermore, ayuda a liderar este esfuerzo.

«El modelo hace un recorrido final en torno al problema más difícil: el modelado de todo el planeta», explicó Pritchard. «Tiene miles de pequeños micromodelos que capturan cosas como la formación realista de nubes poco profundas que solo emergen en muy alta resolución».

«El enfoque del marco de modelado multiescala también es ideal para las próximas computadoras de exaescala basadas en GPU del DOE», dijo Mark Taylor, científico computacional jefe del proyecto Modelo del sistema terrestre de exaescala de energía (E3SM) del DOE y científico investigador en Sandia National Laboratories. «Cada GPU tiene la potencia necesaria para ejecutar cientos de micromodelos sin dejar de igualar el rendimiento del modelo planetario de baja resolución y granularidad gruesa».

La investigación y el nuevo enfoque de Pritchard son posibles en parte gracias a la supercomputadora Frontera financiada por la NSF en el Centro de Computación Avanzada de Texas (TACC). La supercomputadora universitaria más rápida del mundo, Pritchard, puede ejecutar sus modelos en Frontera en una escala de tiempo y longitud accesible solo en un puñado de sistemas en los EE. UU. y probar su potencial para el modelado en la nube.

«Desarrollamos una forma para que una supercomputadora divida mejor el trabajo de simular la física de las nubes en diferentes partes del mundo que merecen diferentes cantidades de resolución… para que funcione mucho más rápido», escribió el equipo.

Simular la atmósfera de esta manera proporciona a Pritchard la resolución necesaria para capturar los procesos físicos y los remolinos turbulentos que intervienen en la formación de nubes. Los investigadores demostraron que el enfoque de múltiples modelos no produjo efectos secundarios no deseados, incluso cuando se encontraron parches que usaban diferentes estructuras de cuadrícula de resolución de nubes.

«Estábamos contentos así que vimos que las diferencias eran pequeñas», dijo. «Esto brindará una nueva flexibilidad a todos los usuarios de modelos climáticos que deseen enfocar la alta resolución en diferentes lugares».

Desentrañar y volver a conectar las diversas escalas del modelo CESM fue un desafío que superó el equipo de Pritchard. Otro involucró la reprogramación del modelo para que pudiera aprovechar la cantidad cada vez mayor de procesadores disponibles en los sistemas de supercomputación modernos.

Pritchard y su equipo, el becario postdoctoral de la UCI Liran Peng y el científico investigador de la Universidad de Washington Peter Blossey, abordaron esto dividiendo los dominios internos de los modelos de nube integrados de CESM en partes más pequeñas que podrían resolverse en paralelo usando MPI, o interfaz de paso de mensajes, un forma de intercambiar mensajes entre varias computadoras que ejecutan un programa paralelo a través de la memoria distribuida y orquestar estos cálculos para usar muchos más procesadores.

«Hacerlo parece proporcionar una aceleración cuatro veces mayor con gran eficiencia. Eso significa que puedo ser cuatro veces más ambicioso para mis modelos de resolución de nubes», dijo. «Soy muy optimista de que este sueño de regionalizar y descomponer el MPI está conduciendo a un panorama totalmente diferente de lo que es posible».

Nubes de aprendizaje automático

Pritchard ve otro enfoque prometedor en el aprendizaje automático, que su equipo ha estado explorando desde 2017. «Me ha provocado mucho el rendimiento con el que una hoja tonta de neuronas puede reproducir estas ecuaciones diferenciales parciales», dijo Pritchard.

La investigación y el nuevo enfoque de Pritchard son posibles en parte gracias a la supercomputadora Frontera financiada por la NSF en TACC. La supercomputadora universitaria más rápida del mundo, Pritchard, puede ejecutar sus modelos en Frontera a una escala de tiempo y longitud accesible solo en un puñado de sistemas en los EE. UU. y probar su potencial para el modelado en la nube.

en un papel presentado el otoño pasado, Pritchard, el autor principal Tom Beucler, de UCI, y otros describen un enfoque de aprendizaje automático que predice con éxito las condiciones atmosféricas incluso en regímenes climáticos en los que no fue entrenado, donde otros han tenido dificultades para hacerlo.

Este modelo «invariante del clima» incorpora el conocimiento físico de los procesos climáticos en los algoritmos de aprendizaje automático. Su estudio, que utilizó Stampede2 en TACC, Cheyenne en el Centro Nacional de Investigación Atmosférica y Expanse en el Centro de Supercomputadoras de San Diego, mostró que el método de aprendizaje automático puede mantener una alta precisión en una amplia gama de climas y geografías.

«Si el aprendizaje automático de la física de nubes de alta resolución alguna vez tuviera éxito, transformaría todo acerca de cómo hacemos simulaciones climáticas», dijo Pritchard. «Estoy interesado en ver cuán reproducible y confiablemente el enfoque de aprendizaje automático puede tener éxito en entornos complejos».

Pritchard está bien posicionado para hacerlo. Forma parte del Comité Ejecutivo del Centro NSF para el Aprendizaje de la Tierra con Inteligencia Artificial y Física, o LEAP, un nuevo Centro de Ciencia y Tecnología, financiado por NSF en 2021 dirigido por su antiguo colaborador en este tema, el profesor Pierre Gentine. LEAP reúne a científicos del clima y de datos para reducir el rango de incertidumbre en el modelado climático, proporcionando proyecciones climáticas más precisas y procesables que logran un impacto social inmediato.

«Toda la investigación que he hecho antes es lo que yo llamaría ‘rendimiento limitado'», dijo Pritchard. «Mi trabajo era producir simulaciones de 10 a 100 años. Eso restringió todas mis opciones de cuadrícula. Sin embargo, si el objetivo es producir simulaciones cortas para entrenar modelos de aprendizaje automático, ese es un panorama diferente».

Pritchard espera usar pronto los resultados de sus modelos integrados de 50 metros para comenzar a construir una gran biblioteca de capacitación. «Es un conjunto de datos muy bueno para hacer aprendizaje automático».

Pero, ¿la IA madurará lo suficientemente rápido? El tiempo es esencial para descubrir el destino de las nubes.

«Si esas nubes se encogen, como lo harán las capas de hielo, exponiendo superficies más oscuras, eso amplificará el calentamiento global y todos los peligros que conlleva. Pero si hacen lo opuesto a las capas de hielo y se espesan, lo que podrían hacer, eso es menos peligroso». Algunos han estimado que esto es un problema multimillonario para la sociedad. Y esto ha estado en duda durante mucho tiempo», dijo Pritchard.

Simulación por simulación, las supercomputadoras financiadas con fondos federales están ayudando a Pritchard y a otros a abordar la respuesta a esta pregunta crítica.

«Estoy dividido entre la gratitud genuina por la infraestructura informática nacional de EE. UU., que es tan increíble para ayudarnos a desarrollar y ejecutar modelos climáticos», dijo Pritchard, «y sentir que necesitamos un nivel de Proyecto Manhattan de nuevos fondos federales y coordinación entre agencias para realmente resolver este problema».