Hvordan man træner sin kode: Kunstig intelligens forbedrer din vejrudsigt

Mere eller mindre gennemtrængelig luft

Regnestykket angående strålig er desværre ikke helt simpelt. På grund af vores atmosfære er det ikke 100 % af solens stråler, der når helt ned til os, og af samme grund er det heller ikke al den indkomne energi, der forlader os igen i form af varme. Dette skal vi være glade for, da jorden ellers ville være ubeboelig kold for os.

Balancen i regnskabet er så kompliceret at beregne, at computerkraften ikke slår til. F.eks. køres strålingsberegningerne i den globale vejrudsigt i dag kun én gang i timen.

Hvis beregningerne kan lettes, vil man kunne udregne strålingen med større detaljegrad og oftere, hvilket vil føre til endnu mere realistiske vejrudsigter, end vi har i dag.

Når computeren tygger sig igennem målinger og koder for at komme med et bud på den nyeste vejrudsigt, går en del af kræfterne med at beregne stråling. Gas-optik optager omkring 1/3 af denne proces og handler om, hvor meget stråling der absorberes af en luftmasse, og hvor meget stråling der passerer igennem denne. Den absorberede stråling går til at opvarme gassen.

Gas-optik har derfor stor betydning for, hvordan strålingsregnskabet tager sig ud, og det er netop denne del, som Peter Ukkonen har arbejdet med. Det er faktisk lykkes ham at gøre beregningstiden bag gas-optik tre gange hurtigere.

Grunden, til at gas-optik er en så tung faktor at beregne, skyldes, at fænomenet er ekstremt kompleks, fordi gassen ændrer karakter afhængig af:

• Typen af luft/gas
• Mængden af gassen
• Lufttrykket
• Temperaturen

Ud over gennemtrængeligheden af gas har skyer og aerosoler (svævende partikler som pollen, aske, støv og røg) også en betydning for, hvor meget stråling der slipper ind og ud af vores atmosfære. Beregningerne for disse er dog ikke så tidskrævende som for gas-optikken.

Jagten efter mønstre i data

Peter Ukkonen har anvendt machine learning til at effektivisere udregningsprocessen bag gas-optik. Machine learning er en af komponenterne bag kunstig intelligens og går ud på, at systemet lærer gennem data.

Man træner så at sige koden ved at give den store mængder data, som den skal finde mønstre i. Man justerer, finindstiller og afpudser koden, så den giver de bedst mulige resultater. Den kan dermed fremover meget hurtigt finde retvisende mønstre i lignende typer af data – i dette tilfælde informationer om stråling.

I de rigtige sammenhænge kan machine learning være særdeles effektivt og erstatte komplekse og tidskrævende udregninger. Udfordringen er at give koden eller modellen data nok til, at den også kan give et fornuftigt resultat ud fra data, som den ikke har set endnu. Og med hensyn til vejrudsigter, for slet ikke at tale om klimamodeller, er man jo netop interesseret i at se ud i fremtiden. Det er altså en af de udfordringer, som Peter Ukkonen har arbejdet på at løse.