气候研究,科学计算在临界时期会聚

2021年1月12日

几十年来,超级计算机在研究气候和预测全球变化如何影响世界的情况下发挥了关键作用,以及减轻这些影响的潜在方法。通过每一代新一代更强大的计算机,科学家们已经能够以更高的分辨率创建模拟,这揭示了新的挑战和潜在的解决方案。

与此同时,全球气温上升的效果是强迫个人和社区,以适应海平面上升,更频繁的灾难性风暴,严重的干旱,野火的增加,以及更极端的温度。这些影响也具有健康和经济影响,导致移民和社会动荡。

12月16日主题地址HIPC 2020会议,爱游戏电竞UC Berkeley计算机科学教授Kathy Yelick描述了如何学习气候的技术以及我们不断变化的气候的影响是在十字路口。计算将仍然是研究问题的核心,但是主要集中在物理建模上,将增加利用来自许多来源的数据,并且随着机器学习的使用,分析将对对寻址至关重要的广泛主题提供洞察全球气候变化的许多影响。

HIPC 2020,27TH.IEEE关于今年12月16日至18日的高性能计算,数据和分析的国际高绩效计算会议,从四大洲绘制了超过500名与会者。在她的谈话中“气候变化中的计算和数据挑战”,Yelick表示,问题的复杂性和AI的重要性和建模在解决它意味着全球社会需要共同努力。Yelick, who is a senior advisor for computing at Lawrence Berkeley National Laboratory (Berkeley Lab), is also the Associate Dean for Research at UC Berkeley’s Division of Computing, Data Science, and Society, which aims to foster broad, multi-disciplinary collaborations in addressing societal issues such as climate change and sustainability. For example, melting polar ice which leads to rising ocean levels will likely cause forced migrations from low-lying nations, which can have social, political and economic impacts.

扩大气候研究

虽然目前的气候模型实际上是互联的部件的互联物理模型,但是,尤利克表示,未来的研究将需要更广泛的学科来充分理解并尝试减轻影响。经济学,社会学,工程,材料科学,法律和公共政策等领域需要加入社区。

在过去的几十年里,气候研究人员致力于增加分辨率并将新物理学的分辨率转化为其模型。二十年前,领先的气候模型可能会使条件降至200公里的正方形,在全球范围内形成网状物。2008年,气候研究人员开始以25公里的分辨率运行模型。今天,一些团队正在使用2-3公里分辨率的非常短的运行。随着ExaScale计算机的出现,研究人员希望扩展其建模运行以模拟一个世纪或更长时间的气候变化。

但是Yelick看到了更广泛的计算和数据被带入问题。

例如,在UC Berkeley和Berkeley Lab联合预约的Trevor Keenan正在使用数据驾驶模型来了解爱游戏电竞气候变化和长期变化对生态系统功能的影响,以及通过生态系统对大气的相关反馈碳循环和用水。他的作品将大型生态数据集(包括现场研究和遥感)与生态系统和功能和机器学习方法的模型相结合,以研究关键的物理和生物过程。

One of Yelick’s research projects, ExaBiome, has developed new tools for studying microbiomes, the communities of microbes made up of hundreds or thousands of microbial species of varying abundance and diversity that are central players in climate change, environmental remediation, food production, and human health. By studying their genomics, researchers expect to learn how microbes can be used to help remediate environmental problems or to manufacture novel chemicals and medicines. But only 1 percent of all the microbes have been studied, a situation the ExaBiome project is addressing to unlock more information.

除了使用机器学习来了解气候的物理方面,还用于预测减少和修复努力的有效性。新材料提供能源捕获和储存和碳捕获的承诺。伯克利实验室的材料项目计算了数十万材料用于设计电池,太阳能电池等的潜力,并使结果公开可用。机器学习用于改进对现有数据库的搜索并探讨新材料的可行性。

机器学习还加快了金属有机框架(MOFS)的设计,这些框架(MOFS)有可能从天然气发电厂中移除超过90%的二氧化碳,对电流方法进行六倍改善。MOFS就像一个海绵吸收碳,可以使用蒸汽冲洗并再次使用。

超越技术解决方案

Yelick还讨论了使用机器学习来管理基础设施,以减少能源使用及其对气候的影响。一个例子是运输,其占U.S.30%的能源中使用的能量不仅令司机令人沮丧,而且还浪费燃料并恶化空气质量。使用车辆和传感器的数据,机器学习可以帮助优化交通流量。

通过将建筑物配备有数据收集传感器,连接到计算机进行分析,机器学习可以培训建筑物的系统以最节能的方式运行,同时也满足建筑用户的需求。

确保新基础设施的经济可行性是正在应用建模和机器学习的另一个领域。例如,风力涡轮机的安装已经建模,以更好地了解涡轮机的放置如何影响风的流量,以便在线以及如何最大化所有涡轮机的效率。

在UC爱游戏电竞 Berkeley,经济学家大卫Zilberman已经研究了一种形式的可再生能源如何“蚕食”另一个形式的另一个形式,例如当风和太阳能一起使用时。他发现将风力涡轮机引入有太阳能的区域降低了太阳能电池的同时增加了风电的价值。

“经济模式与技术同样重要,”耶利克说。

她说,还有社会成本需要考虑。

“我们需要了解气候变化的经济影响,现在涉及政策专家。“干旱的最大影响在哪里?这将如何影响住在那里的人?他们会被迫迁移吗?人类行为难以模型,但绝对必要了解。“

Yelick通过引用巴拉克·奥巴马总统对气候的行动呼吁她的介绍,“我们是第一代人感受到气候变化和可以做点什么的一代人的效果。”