Wetenschappers onderzoeken of autonome AI-agenten in staat zijn om de parameterisaties van complexe aardesysteemmodellen te verbeteren. Een recente studie suggereert dat agentic AI het proces van het vertalen van fysieke inzichten naar bruikbare computercode aanzienlijk kan versnellen.
Het modelleren van het aardse klimaat is een enorme uitdaging vanwege processen die te klein zijn om direct te simuleren, zoals turbulentie, wolkmicrofysica en convectie. Om deze processen toch mee te nemen in aardesysteemmodellen (ESM's), maken wetenschappers gebruik van zogenaamde parameterisaties: vereenvoudigde wiskundige beschrijvingen van complexe fysieke fenomenen. Volgens een recent onderzoek van Kara D. Lamb, gepubliceerd op arxiv.org, duurt het momenteel vaak jaren voordat nieuwe fysieke inzichten zijn omgezet in stabiele en gevalideerde parameterisaties die geïntegreerd kunnen worden in deze modellen.
De rol van agentic AI
In de studie wordt onderzocht of AI-agenten dit proces kunnen versnellen door systematischer te zoeken naar optimale ontwerpkeuzes. De onderzoekers gebruikten de zogenaamde 'warm-rain collision-coalescence' als testgeval. De AI-agenten kregen de taak om wetenschappelijke literatuur te synthetiseren, bestaande bulk-parameterisaties opnieuw te implementeren en nieuwe functionele vormen voor te stellen in de vorm van differentieerbare JAX-code.
Om de prestaties van deze AI-gegenereerde oplossingen te toetsen, werden ze vergeleken met conventionele parameterisaties, data-gedreven emulators en hoogwaardige 'superdroplet'-simulaties. De experimenten werden onbeheerd uitgevoerd over tien verschillende taalmodellen.
Resultaten en bevindingen
De resultaten tonen een wisselend beeld dat sterk afhankelijk is van het gebruikte taalmodel en het specifieke schema. Wanneer de agenten echter expertbegeleiding kregen of iteratieve feedback ontvingen, slaagden ze erin om uitvoerbare, differentieerbare en massa-conserverende code te produceren. Volgens de publicatie op leidde deze iteratieve feedback tot een lagere mediane foutmarge bij acht van de tien geteste modellen.
Een opvallend resultaat is dat fysieke schema's die door de AI waren bijgesteld, vaak beter presteerden dan veel puur data-gedreven parameterisaties, terwijl ze aanzienlijk minder rekenkracht vereisten. Bovendien slaagden twee van de honderd onbeheerde, door AI gegenereerde afsluitingen erin om een iets lagere foutmarge in de regenmassa te behalen dan het meest accurate bijgestelde schema in simulaties met onbekende data.
Implicaties voor de klimaatwetenschap
De studie, die werd gepresenteerd tijdens de Sim2Sci Workshop op de , suggereert dat de integratie van AI-agenten in de wetenschappelijke workflow de kloof tussen theoretisch begrip en praktische implementatie in klimaatmodellen kan overbruggen. Door het automatiseren van het schrijven van code en het testen van hypothesen kunnen onderzoekers sneller itereren.
Hoewel de onbeheerde prestaties van de modellen nog variëren, biedt de mogelijkheid om massa-conserverende en differentieerbare code te genereren een belangrijke stap voorwaarts. Dit stelt wetenschappers in staat om modellen te bouwen die niet alleen nauwkeuriger zijn, maar ook voldoen aan de fundamentele wetten van de natuurkunde.
Voor meer details over de methodologie en de specifieke resultaten van de tien gebruikte taalmodellen kan het volledige rapport worden geraadpleegd via de .