Efek kupu-kupu – gagasan bahwa seekor kupu-kupu yang mengibaskan sayapnya di Amerika Selatan bisa mengubah jalannya tornado di Texas – telah menjadi cara populer untuk mengilustrasikan kesulitan dalam membuat prediksi tentang perilaku sistem yang kacau seperti cuaca. Karena sistem-sistem semacam itu sangat sensitif terhadap kondisi awal mereka, bahkan perubahan terkecil pun bisa membuat perilaku mereka berubah ke arah yang tak terduga.
Ilmuwan telah cukup baik dalam memprediksi cuaca, setidaknya hingga 10 hari ke depan. Namun, membuat prediksi yang akurat dan jangka panjang tentang bagaimana iklim berubah tetap sulit. Kemampuan untuk memprediksi perubahan iklim penting karena dapat membantu mengarahkan keputusan tentang perlindungan asuransi di daerah yang rentan terhadap kebakaran atau banjir; ini juga dapat membantu arsitek merancang bangunan yang lebih aman dan nyaman bagi penghuni di masa depan yang lebih hangat.
Kemampuan kita untuk memodelkan perubahan iklim telah terhambat oleh jumlah daya komputasi yang sangat besar yang diperlukan untuk mensimulasikan semua aspek iklim, kata Tapio Schneider, Profesor Theodore Y. Wu di Bidang Ilmu Lingkungan dan Teknik serta peneliti senior di JPL, yang dikelola oleh Caltech untuk NASA. Untuk membuat model iklim global yang akurat, ia perlu menangkap proses-proses skala kecil, seperti yang mengendalikan pembentukan tetes di awan, di seluruh planet ini. Mensimulasikan rentang proses yang relevan ini saat ini tidak mungkin dilakukan.
Sebaliknya, model iklim menghitung bagaimana suhu, angin, dan arus laut berkembang pada jaringan dengan resolusi horizontal sekitar 50-100 kilometer. Proses skala lebih kecil, seperti yang ada di awan laut yang rendah dan membentuk iklim, direpresentasikan oleh pendekatan kasar yang disebut parameterisasi. Parameterisasi ini sering kali kurang memiliki dasar yang kuat baik dalam prinsip-prinsip ilmiah maupun data.
Baru-baru ini, sekelompok ilmuwan iklim mengusulkan proyek pemodelan iklim berskala besar sebagai solusi. Proyek ini akan terdiri dari serangkaian pusat yang menjalankan superkomputer yang dioperasikan oleh 200-300 ilmuwan masing-masing. Tujuannya adalah menciptakan model iklim dengan resolusi 1 kilometer.
Schneider mengatakan itu mungkin sulit.
“Menjalankan model iklim memerlukan daya komputasi yang sangat besar,” kata Schneider. “Jika Anda ingin menghaluskan jaringan komputasi dengan faktor 10 pada bidang horizontal, Anda memerlukan daya komputasi seribu kali lebih besar.”
Schneider mengatakan bahwa proyek semacam itu akan menekan kemampuan komputasi saat ini, dan itu tidak akan mampu merepresentasikan proses skala kecil yang diperlukan untuk pemodelan yang akurat. Ini juga akan lebih mengkonsentrasikan sumber daya di antara negara-negara maju yang lebih mampu mendanai pusat-pusat semacam itu, dengan demikian meninggalkan negara-negara berkembang, katanya.
Dalam sebuah makalah yang baru-baru ini diterbitkan dalam jurnal Nature Climate Change, Schneider dan 13 ilmuwan lainnya dari seluruh dunia mengusulkan untuk mengembangkan model-model dengan resolusi yang cukup tinggi (puluhan kilometer), yang memberikan dasar ilmiah yang lebih kuat untuk parameterisasi proses skala lebih kecil, dengan menggunakan pembelajaran mesin untuk mengisi kekosongan. Ini, kata para peneliti, akan menciptakan model yang kuat tanpa memerlukan pusat komputasi raksasa.
“Kita tidak mungkin dapat menyelesaikan awan laut di lautan tropis secara global dalam waktu dekat karena akan memerlukan komputer sekitar seratus miliar kali lebih cepat dari yang tercepat yang kita miliki,” kata Schneider. “Apa yang bisa kita lakukan adalah mensimulasikan awan-awan ini di area kecil dan menghasilkan data. Data-data tersebut juga dapat memberikan informasi kepada model iklim yang lebih kasar.”
Schneider mengatakan bahwa pekerjaan pada jenis alat kecerdasan buatan yang diperlukan untuk meningkatkan model yang lebih kasar sedang berlangsung sekarang, sebagian di Caltech. Teknologi ini bisa melakukan untuk model iklim apa yang data yang lebih baik telah lakukan untuk model cuaca.
“Prediksi cuaca telah menjadi cukup baik dalam beberapa dekade terakhir. Ini adalah salah satu cerita sukses ilmiah yang kurang dikenal,” katanya. “Alasan utama kenapa mereka telah menjadi cukup baik adalah karena mereka menggunakan data jauh lebih ekstensif daripada yang mereka gunakan sebelumnya. Dalam beberapa hal, kami ingin mencapai hal yang sama untuk prediksi iklim. Saya pikir itu bisa dicapai dengan menggunakan alat kecerdasan buatan untuk mengumpulkan data yang luas tentang Bumi yang sudah kami miliki.”
Andrew Stuart, Profesor Bren Ilmu Komputasi dan Matematika dan salah satu penulis proposal ini, telah memberikan keahliannya untuk upaya Schneider, membantu membangun alat-alat yang diperlukan untuk proyek ini. Stuart mengatakan satu set alat bertujuan membuat model iklim menjadi lebih hemat dalam hal biaya komputasi.
Ini dapat dilakukan dengan membuat parameterisasi untuk model-model yang lebih kasar, yang Stuart gambarkan sebagai “sketsa yang sangat baik” dari proses fisik nyata, seperti perilaku awan individual. Pada dasarnya, mereka menangkap fitur-fitur utama yang diperlukan untuk memprediksi efek yang akan dimiliki proses skala kecil terhadap proses skala besar dalam simulasi model global. Karena mereka adalah versi yang disederhanakan dari peristiwa nyata, mereka harus disesuaikan untuk berperilaku seperti rekan sebenarnya mereka.
Bahkan model-model yang lebih kasar dengan parameterisasi mahal dalam hal waktu dan daya komputasi, dan proses penyetelan berarti mereka harus dijalankan berulang kali hingga para peneliti berhasil menyetel mereka untuk menghasilkan hasil yang dapat diandalkan dan realistis.
“Tantangan komputasi utama adalah melakukan penyetelan dengan jumlah evaluasi model yang mahal,” kata Stuart. “Kita melakukannya dengan membangun ide-ide yang sudah ada sejak tahun 1960 dan seorang insinyur bernama Rudolf Kálmán; ide-ide ini sekarang telah berkembang menjadi yang disebut filter Kalman ensemble. Mereka memungkinkan kita untuk membuat prediksi dan kalibrasi dengan jumlah evaluasi minimal. Mereka digunakan dalam ramalan cuaca, dan kami menggunakannya kembali.”
Seperangkat alat kedua yang telah dikerjakan Stuart di bidang ilmu iklim masuk dalam kerangka yang mungkin secara populer disebut sebagai A.I., dan lebih khusus, pembelajaran mesin. Dia mengatakan pembelajaran mesin dapat membantu mengukur sebagian dari ketidakpastian yang melekat dalam pemodelan iklim dan menghasilkan data baru pada skala yang sulit diukur.
“Model-model memiliki ketidakpastian yang sangat besar di dalamnya,” kata Stuart. “Di sinilah masuknya pembelajaran mesin.”
Pembelajaran mesin yang digunakan oleh tim ini memiliki kemiripan dengan pembuat gambar seperti DALL-E milik OpenAI. Dalam kasus DALL-E, algoritma pembelajaran mesin dilatih pada satu set besar gambar contoh. Jadi jika Anda memintanya, misalnya, untuk menghasilkan gambar seorang pria yang memegang es krim saat matahari terbenam, maka bisa melakukannya.
Algoritma yang digunakan dalam ilmu iklim sebaliknya dilatih untuk menghasilkan potongan – ratusan atau ribuan potongan – yang dapat dimasukkan ke dalam simulasi besar untuk mengisi celah yang hilang. Sama seperti DALL-E bisa menciptakan gambar-gambar apel ketika ditanyakan (karena telah belajar mengidentifikasinya), algoritma yang digunakan dalam penelitian ini dapat menghasilkan model-model proses yang penting untuk pemodelan iklim, seperti pembentukan tetes di awan.
Dengan menggabungkan proses simulasi semacam itu dengan data dunia nyata, para peneliti berharap dapat membuat prediksi realistis tentang perubahan iklim Bumi yang berubah dengan cepat, kata Schneider.
“Kita dapat menggunakan hukum fisika sejauh yang kita bisa, mengingat daya komputasi yang terbatas yang tersedia,” katanya. “Apa yang tidak dapat kita simulasi, kita dapat belajar dari data.”
Sumber : https://www.caltech.edu/about/news/artificial-intelligence-is-key-to-better-climate-models-say-researchers