斯坦福大学的科学家是越来越多的研究人员之一，他们利用人工智能技术将无处不在的大气涟漪更真实的表示带入全球气候模型。全球气候模型就地球大气中吸热气体的积聚、平均地表温度升高和海平面上升以及更极端的热浪等一系列后果达成一致。

但是，我们气候的其他方面的前景仍然比科学家们所希望的更加模糊。模型对随着地球变暖降雨模式将如何变化存在分歧，对于许多地区，目前尚不清楚50年后风暴和干旱的频率、倾盆大雨的强度或降雪量会有多么不同。

斯坦福大学地球系统科学助理教授AditiSheshadri说：“这是我们最终希望能够更有信心的事情，因为不确定性阻碍了保障供水、粮食生产、基础设施和人们应对未来的气候影响。

Sheshadri和她的前研究生ZacharyEspinosa最近在《地球物理研究快报》杂志上发表的一项研究可能通过对称为重力波的无处不在的大气涟漪进行更现实的估计来帮助建立这种信心。“在气候模型中包含更物理的重力波表示最终会导致更准确的气候预测，特别是在区域范围内，”Sheshadri说。

与扭曲时空结构的引力波不同，当风吹过例如雷暴或山脉时，当空气被迫向上时，就会出现引力波。被发射到更高、更薄的大气层中，空气在重力的作用下回落——然后像软木塞从水下浮起一样再次上升。任何给定的空气包裹都可能会在几分钟或几个小时内上升和下降，并在移动过程中传递动量。最终，波浪向上向外扩散，直到它在中层和高层大气中破裂，就像海浪在海滩上撞击一样。

大气科学家早就知道重力波有助于推动大气的整体循环，并影响风暴轨迹和极地涡旋——地球两极附近的苦冷空气漩涡，偶尔会摇晃并给美国部分地区带来极端的冬季天气，欧洲和亚洲。

“我们了解重力波如何传播和破裂的物理学，但由于计算限制，它们的影响无法在气候模型中明确表示，”Sheshadri说。

小浪，大冲击

引力波太小而且寿命太短，无法出现在旨在覆盖整个星球的模型中，就像低分辨率照片中缺少精细细节一样。更高分辨率的模型可以提供更详细的信息，但在全球范围内运行超过几周的预测计算成本很高。

为了在不阻碍计算的情况下考虑重力波等较小规模的过程，科学家们使用称为“参数化”的简化方程，这些方程由物理学提供信息，但不计算单个波的振荡和相互作用，甚至不包含有限的可用观测数据.“我们根据模型可以解决的变量猜测我们认为重力波对平均流量的影响，”Sheshadri说。

即使是重力波参数化的近似值的微小变化也可能导致非常不同的区域气候预测。因此，气候建模者“调整”参数化，使结果总体上类似于今天观察到的气候——随着人们和工业向大气中添加更多的二氧化碳，循环将如何反应留下了不确定性。

通过人工智能解释重力波

Sheshadri和Espinosa是越来越多的研究人员之一，他们希望通过机器学习和人工智能技术寻找可能的解决方案。“参数化是气候模型的一个大型计算池，所以如果我们能够加速它们，这意味着我们可以提高各种事物的分辨率，”埃斯皮诺萨说。

研究人员开发了一种名为WaveNet的人工智能驱动模型，该模型可以准确地模拟消散的重力波如何加速和减速大气风。这项工作涉及使用广泛使用的编程语言Python构建和训练一组人工神经网络，然后将它们耦合到几十年前以1950年代的一种语言(称为Fortran)构建的典型全球气候模型。

该模型通过了两项重要测试。仅根据一年的数据进行训练，它对重力波如何响应800多年来极高的二氧化碳浓度的预测与传统参数化产生的预测相似。而且，仅基于一个阶段的数据，它准确地模拟了准两年振荡的完整的两阶段循环，即影响地表天气和臭氧消耗的赤道上方风速的定期反转-并且由破坏重力驱动波浪。

“WaveNet并没有真正告诉我们关于重力波对CO2的反应的任何新信息。它只是在做传统的重力波参数化作为对CO2的响应会做的事情——至少目前是这样，”Sheshadri说。

结果是朝着开发完全由数据驱动的重力波参数化迈出的有希望的第一步，这是Sheshadri领导的名为DataWave的国际项目的重点。这些参数化可以针对速度进行优化，并使用来自高分辨率区域模拟、高分辨率但短期全球气候模拟的数据以及来自互联网超压气球的越来越多的大气测量数据进行训练。“希望这将为我们提供计算上可行的方法来表示气候模型中的重力波，这些模型具有物理意义和观测限制，”她说。“这是这个项目的最终目标。”