改进云层模拟及其对气候的影响

当今的气候模型成功地捕捉到了全球变暖的总体趋势。然而，由于对一些规模虽小但对全球具有重要意义的过程（如云和海洋湍流）存在不确定性，这些模型对未来气候变化的预测在细节上并不是很准确。例如，对于全球平均地表温度相对于工业化前时期将升高 2℃ 的时间，当今各个模型的预测相差 40-50 年（整整一代人）。因此，我们无法获得规划弹性基础设施、调整供应链以适应气候干扰以及评估气候相关危害对脆弱群体的风险所需的准确和地理细粒度的预测。

这在很大程度上是因为云层是未来几十年气候预测中误差和不确定性的主要因素 [ 1，2，3 ] 。云层反射阳光并产生温室效应，因此对于调节地球的能量平衡和调节气候系统对温室气体浓度变化的反应至关重要。然而，它们的规模太小，无法在当今的气候模型中直接解决。目前的气候模型可以解决几十到几百公里尺度的运动，有几个模型可以达到千米级。然而，维持大片热带海洋低云等的湍流空气运动的尺度为米到几十米。由于尺度上的巨大差异，气候模型使用云的经验参数化，而不是直接模拟它们，这会导致很大的误差和不确定性。

虽然全球气候模型无法直接解析云，但可以使用高分辨率大涡模拟(LES) 在有限区域模拟云的湍流动力学。然而，使用 LES 模拟云的高计算成本阻碍了广泛而系统的数值实验，并且阻碍了生成用于训练参数化方案以在分辨率较低的全球气候模型中表示云的大型数据集。

在《地球系统建模进展杂志》（JAMES）上发表的 “使用张量处理单元加速云的大涡模拟”中，我们与谷歌客座研究员、气候建模联盟(CliMA) 负责人合作，证明了张量处理单元(TPU)——最初为机器学习 (ML) 应用开发的专用集成电路——可有效用于执行云的 LES。我们表明，TPU 与定制的软件实现相结合，可用于模拟在海洋层积云动力学和化学(DYCOMS) 实地研究期间观察到的条件下特别具有计算挑战性的海洋层积云。这个成功的基于 TPU 的 LES 代码揭示了 TPU 在云模拟中的实用性，它们具有大量计算资源和紧密互连。

过去 20 年中，气候模型对降水或大气顶部能量平衡等关键指标的准确度每十年提高约 10%。我们的目标是通过改进对云层的描述，使气候模型误差减少 50%。

TPU 的大涡模拟

在这项工作中，我们重点研究层积云，它覆盖了约 20% 的热带海洋，是地球上最常见的云类型。目前的气候模型还不能正确再现层积云的行为，这是这些模型中最大的误差来源之一。我们的工作将为大规模气候模型提供更准确的地面实况。

我们在 TPU 上模拟的云表现出前所未有的计算吞吐量和扩展性，例如，我们能够以 10 倍的加速比实时演化速度模拟面积达 35 × 54 平方公里的层积云。这样的域大小接近典型全球气候模型网格盒的横截面积。我们的结果为计算实验开辟了新途径，并大幅扩大了可用于训练全球气候模型云参数化的 LES 样本。

285 x 285 x 2立方公里层积云云片模拟的云层演变渲染图。这是有史以来模拟的同类云片中最大的云片。左图：相机巡航时云场的斜视图。右图：相机逐渐拉开时云场的顶视图。

LES 代码是用 TensorFlow 编写的，TensorFlow 是 Google 为 ML 应用开发的开源软件平台。该代码利用了 TensorFlow 的图形计算和加速线性代数(XLA) 优化，可以充分利用 TPU 硬件，包括帮助我们实现这一前所未有的性能的高速、低延迟芯片间互连(ICI)。同时，TensorFlow 代码可以轻松地将 ML 组件直接整合到基于物理的流体求解器中。

我们通过模拟大气流动求解器的典型测试案例来验证代码，例如在中性层结中上升的浮力气泡和下沉并撞击表面的负浮力气泡。这些测试案例表明，基于 TPU 的代码可以忠实地模拟流动，随着分辨率的提高，湍流细节会越来越精细。验证测试最终模拟了 DYCOMS 实地活动期间的条件。基于 TPU 的代码可以可靠地再现飞机在实地活动期间观察到的云场和湍流特征——对于 LES 来说，这一壮举是出了名的难以实现，因为层积云顶部的 温度和其他热力学性质会快速变化。

用于验证我们的 TPU 云模拟器的测试案例之一。与低分辨率网格（200 米，上行）相比，高分辨率网格（10 米，下行）可以更好地分辨负浮力气泡撞击表面产生的密度流的精细结构。

前景

建立此基础后，我们的下一个目标是大幅扩大现有的高分辨率云模拟数据库，研究人员可以利用这些数据库构建气候模型，以开发更好的云参数化 — — 无论是基于物理的模型、ML 模型还是两者的混合模型。这需要论文中描述以外的其他物理过程；例如，需要将辐射传输过程集成到代码中。我们的目标是生成各种云类型的数据，例如雷暴云。

使用与层积云模拟工作相同的模拟器渲染雷暴模拟。在地面附近也可以观察到降雨。

这项研究表明，机器学习硬件的进步在其他研究领域（本例中为气候建模）中可以发挥惊人的作用。这些模拟为云内湍流等过程提供了详细的训练数据，这些过程虽然无法直接观察到，但对于气候建模和预测至关重要。

致谢

我们要感谢本文的合著者：Sheide Chammas、Qing Wang、Matthias Ihme 和 John Anderson。我们还要感谢 Carla Bromberg、Rob Carver、Fei Sha 和 Tyler Russell 对本文的见解和贡献。