NORi: An ML-Augmented Ocean Boundary Layer Parameterization

NORi es una nueva parametrización de aprendizaje automático basada en la física que combina ecuaciones diferenciales ordinarias neuronales con un cierre dependiente del número de Richardson para simular con precisión y estabilidad la turbulencia y la dinámica de arrastre de la capa límite oceánica en modelos climáticos, superando a los métodos tradicionales mientras requiere datos de entrenamiento mínimos y garantiza la estabilidad numérica a largo plazo.

Lo esencial

El Gran Problema: El Océano es Demasiado Pequeño para Verse

Imagina que estás intentando predecir el clima para todo el planeta. Tienes un mapa gigante, pero está hecho de baldosas enormes, cada una de 10 kilómetros de ancho. En este mapa, puedes ver grandes tormentas y corrientes oceánicas. Sin embargo, el océano está lleno de remolinos y procesos de mezcla caóticos y diminutos que ocurren en los primeros cientos de metros, como la espuma de una ola o la forma en que el aire frío enfría el agua superficial. Estos remolinos diminutos son demasiado pequeños para caber en las baldosas gigantes de tu mapa.

En la ciencia del clima, llamamos a estos procesos diminutos procesos de "subescala de malla". Para hacer que nuestros mapas grandes funcionen, los científicos tienen que adivinar qué están haciendo estos remolinos diminutos. Utilizan "parametrizaciones", que son básicamente manuales de reglas o fórmulas simplificadas que dicen: "Cuando el viento sopla con esta fuerza, el agua se mezcla esta cantidad".

Los Viejos Manuales vs. El Nuevo Híbrido

Durante décadas, los científicos han utilizado manuales basados en la física. Piensa en estos como un manual escrito por un ingeniero estricto. Se basan en leyes conocidas (como cómo se mueve el calor de caliente a frío).

• Lo bueno: Son rápidos y estables.
• Lo malo: Pierden algunos aspectos físicos complicados. Específicamente, tienen dificultades para explicar la entrainment (arrastre o arrastre de mezcla).

¿Qué es la Entrainment? Imagina una olla de sopa en la estufa. Si enfrías la parte superior, la sopa fría se hunde, pero no se detiene solo en la superficie. Se zambulle hacia abajo como un émbolo, arrastrando la sopa caliente de abajo hacia la capa fría. Esta acción de "zambullida" es no local; ocurre en la parte inferior de la capa mezclada, pero es causada por lo que sucede en la parte superior. Los viejos manuales son como una receta que solo sabe cómo remover la olla suavemente; no saben cómo simular esa zambullida profunda.

Entra NORi: El "Asistente Inteligente"

Los autores crearon una nueva herramienta llamada NORi (Neural Ordinary differential equations Richardson number). Piensa en NORi no como un reemplazo del viejo manual, sino como un asistente inteligente adjunto a él.

1. La Base (El Ingeniero): NORi comienza con una fórmula simple basada en la física (el "Cierre Base"). Esta parte maneja lo fácil: la remoción suave causada por el viento y las diferencias locales de temperatura. Es como el motor de un coche; hace el trabajo pesado.
2. La Red Neuronal (El Copiloto de IA): Los autores añadieron un pequeño cerebro de Inteligencia Artificial (IA) altamente expresivo. Esta IA no intenta aprender todo el océano desde cero. En su lugar, solo aprende la pieza faltante: la zambullida profunda (entrainment) que la fórmula del ingeniero pierde.

La Analogía: Imagina que conduces un coche (el modelo oceánico). El motor (la física) te pone en movimiento. Pero a veces, necesitas navegar por una carretera de montaña complicada y sinuosa (entrainment). La IA es un copiloto que solo toma el volante cuando la carretera se vuelve retorcida, guiando el coche a través de las curvas que el motor por sí solo perdería.

Cómo lo Entrenaron: Aprendiendo del "Futuro"

Por lo general, cuando entrenas una IA, le muestras una instantánea y preguntas: "¿Cuál es la respuesta ahora mismo?" (por ejemplo: "Aquí está la velocidad del viento; ¿cuál es el flujo de mezcla?"). Los autores descubrieron que esto hacía que la IA fuera inestable. Era como enseñar a un estudiante a aprobar un examen memorizando respuestas a preguntas individuales, pero cuando presentaban el examen final (ejecutando el modelo durante años), fallaban porque no entendían el flujo de la historia.

En su lugar, utilizaron Entrenamiento A Posteriori (aprendiendo del resultado).

• El Método: Ejecutaron una simulación súper detallada y de alta resolución (la "Verdad Terrena") que capturaba cada remolino diminuto. Luego, dejaron que su modelo NORi simple se ejecutara junto a ella.
• La Lección: No le pidieron a la IA que coincidiera con el flujo en un segundo específico. Le preguntaron: "Después de ejecutar durante 2 días, ¿coincidieron tu temperatura y salinidad con la simulación de alta resolución?"
• El Resultado: La IA aprendió a ajustar su comportamiento con el tiempo para asegurar que todo el viaje fuera correcto, no solo un solo paso. Esto es como enseñar a un estudiante diciendo: "No solo obtengas la respuesta correcta para la pregunta 1; asegúrate de poder resolver todo el problema de la historia correctamente".

Por Qué Es un Cambio de Juego

El artículo afirma que NORi resuelve tres grandes problemas a la vez:

1. Precisión: En las pruebas, NORi coincidió mucho mejor con las simulaciones de "verdad terrena" de alta resolución que los viejos manuales, especialmente cuando el océano se enfriaba y se zambullía (convección). Rindió tan bien como los modelos más complejos y costosos (como el modelo $k-\epsilon$), pero era mucho más simple.
2. Estabilidad: Esta es la mayor victoria. Muchos modelos de IA se bloquean o explotan cuando se ejecutan durante mucho tiempo (como un personaje de videojuego que falla después de 10 horas). Como NORi fue entrenado para mantener estable todo el cronograma, se ejecutó durante 100 años en una simulación sin bloquearse, incluso aunque solo fue entrenado con instantáneas de 2 días.
3. Velocidad: NORi es un modelo de "cero ecuaciones", lo que significa que no necesita resolver ecuaciones matemáticas complejas adicionales como los modelos pesados. Puede ejecutarse con pasos de tiempo mucho más grandes (hasta 1 hora), lo que lo hace mucho más rápido para simulaciones climáticas globales.

La Prueba del Mundo Real

Los autores probaron NORi contra datos del mundo real de la Estación Meteorológica Oceánica Papa en el Océano Pacífico. Ejecutaron el modelo durante 120 días (de otoño a invierno) usando datos meteorológicos reales.

• El Resultado: NORi predijo la temperatura y la salinidad del océano casi perfectamente, coincidiendo con las observaciones tan bien como los modelos más avanzados.
• La Sorpresa: Aunque NORi fue entrenado con clima constante e idealizado, manejó perfectamente el clima real, desordenado y cambiante. Sabía cuándo "encender" su cerebro de IA (durante un enfriamiento fuerte) y cuándo dejar que el motor de física simple tomara el control (durante vientos tranquilos).

Resumen

NORi es una nueva forma de modelar la mezcla superficial del océano. En lugar de intentar construir una IA gigante y compleja para reemplazar la física, los autores construyeron un motor de física simple y le dieron un pequeño asistente de IA inteligente para corregir sus puntos ciegos. Al entrenar a este asistente para que se preocupe por el viaje a largo plazo en lugar de solo el momento inmediato, crearon un modelo que es rápido, estable durante un siglo y altamente preciso. Es un enfoque de "lo mejor de ambos mundos" que cierra la brecha entre la física simple y el aprendizaje automático potente.

Resumen técnico

Resumen Técnico: NORi: Una Parametrización de la Capa Límite Oceánica Aumentada con Aprendizaje Automático

Enunciado del Problema
Los modelos climáticos oceánicos globales operan típicamente a resoluciones de 10 km o más gruesas, lo que los hace incapaces de resolver explícitamente los procesos de mezcla turbulenta a escala subgrid en la capa límite (BL) del océano superior, los cuales ocurren a escalas de metros a centímetros. Estos procesos de mezcla, impulsados por el viento, el enfriamiento y la evaporación, regulan el intercambio de calor, carbono y trazadores entre la atmósfera y el interior del océano. Las parametrizaciones tradicionales enfrentan una compensación: los cierres difusivos de primer orden simples (por ejemplo, Pacanowski-Philander) son computacionalmente eficientes pero no logran capturar la entrainment no local en la base de la BL, mientras que los modelos de dos ecuaciones más complejos (por ejemplo, $k$-$\epsilon$) o los esquemas de masa (por ejemplo, KPP) ofrecen mejor precisión pero a menudo incurren en altos costos computacionales o luchan con la estabilidad numérica durante largos tiempos de integración. Además, los enfoques de aprendizaje automático (ML) puramente basados en datos a menudo sufren de inestabilidad numérica e inconsistencia física cuando se despliegan en simulaciones climáticas a largo plazo, particularmente cuando se entrenan a priori en flujos instantáneos en lugar de trayectorias temporales.

Metodología
Los autores introducen NORi (Neural Ordinary Differential equations Richardson number), una parametrización híbrida que aumenta un cierre simple basado en física con redes neuronales entrenadas mediante una estrategia a posteriori.

1. Arquitectura Híbrida:

   • Cierre Base ("Ri"): Un cierre difusivo de primer orden basado en el número de Richardson de gradiente local ($Ri$). Este componente captura la mezcla local impulsada por el cizallamiento y la convección, asegurando que el modelo se adhiera a las leyes de escala físicas conocidas y mantenga la estabilidad estática ($N^2 \geq 0$).
   • Componente de Red Neuronal ("NO"): Se emplean Ecuaciones Diferenciales Ordinarias Neuronales (NODEs) para predecir flujos de entrainment no local de temperatura y salinidad en la base de la capa mixta. Estas redes están "convolucionadas" verticalmente, compartiendo pesos entre puntos de la cuadrícula, y están activas solo dentro de una "zona de entrainment" específica (diagnosticada mediante el criterio $Ri$). Las entradas incluyen gradientes locales de trazadores, el número de Richardson y el flujo de flotabilidad superficial no local. Las redes predicen flujos residuales que el cierre base pasa por alto, específicamente el profundización de la BL debido a plumas convectivas.

2. Estrategia de Entrenamiento (Calibración A Posteriori):

   • A diferencia del entrenamiento a priori tradicional que coincide con flujos subgrid instantáneos, NORi se entrena a posteriori. La función de pérdida depende de las trayectorias completas integradas en el tiempo de variables de grano grueso (temperatura, salinidad, velocidad) en lugar de flujos instantáneos.
   • El entrenamiento utiliza un modelo de columna 1D integrado hacia adelante en el tiempo utilizando solucionadores de EDO totalmente diferenciables (implementados en Julia con Lux.jl y Enzyme.jl). Los gradientes se retropropagan a través del solucionador de EDO para actualizar los pesos de la red.
   • Aprendizaje por Currículo: El entrenamiento procede en etapas con ventanas de integración progresivamente más largas (15, 23.3 y 43.3 horas) para garantizar la estabilidad numérica y la generalización.
   • Fuente de Datos: Simulaciones de Gran Remolino (LES) de alta fidelidad generadas con Oceananigans.jl sirven como verdad fundamental. El conjunto de datos abarca regímenes diversos que incluyen turbulencia impulsada por cizallamiento, impulsada por convección y mixta, con rotación, estratificación y condiciones termodinámicas variables (utilizando la ecuación de estado TEOS-10).

3. Restricciones Físicas:

   • La arquitectura impone la conservación de trazadores estableciendo los flujos superficiales y del fondo del componente de red neuronal a cero.
   • El cierre base asegura que el modelo respete la aproximación hidrostática y previene inversiones de densidad espurias que a menudo plagan los modelos puramente de ML en marcos hidrostáticos.

Resultados Clave

• Precisión vs. LES: En configuraciones de columna única, NORi coincide con las soluciones LES con alta fidelidad, superando significativamente al cierre base solo en regímenes convectivos donde la entrainment es dominante. Rinde de manera comparable al cierre $k$-$\epsilon$ de última generación y a la parametrización CATKE (Convective Adjustment TKE) desarrollada recientemente.
• Generalización: NORi demuestra una fuerte generalización a casos de validación no vistos, incluidos escenarios con termodinámica no lineal (regímenes del Océano Austral) y flujos superficiales variables en el tiempo, a pesar de haber sido entrenado en escenarios de flujo constante.
• Validación Observacional: Cuando se prueba contra 70 años de datos de la Estación Meteorológica Oceánica Papa (OWS Papa), NORi reproduce la evolución estacional de la capa límite con una habilidad comparable a la de $k$-$\epsilon$ y CATKE.
• Estabilidad Numérica: Un hallazgo crítico es la estabilidad de NORi en integraciones a largo plazo. Aunque entrenado en horizontes de 2 días, NORi permanece numéricamente estable durante al menos 100 años en una simulación idealizada de doble giro. En contraste, los enfoques puramente de ML entrenados a priori a menudo sufren de explosión en tiempo finito.
• Independencia del Paso de Tiempo: NORi mantiene la precisión con pasos de tiempo de hasta 1 hora, mientras que el modelo $k$-$\epsilon$ requiere pasos de tiempo inferiores a 30 minutos para la convergencia. Esto sugiere que NORi puede ofrecer ventajas computacionales en modelos a gran escala que dependen de pasos de tiempo más largos.
• Costo Computacional: En una implementación ingenua, NORi es aproximadamente un 15% más lento por paso de tiempo que $k$-$\epsilon$. Sin embargo, dada su capacidad para soportar pasos de tiempo el doble de largos que $k$-$\epsilon$, los autores argumentan que ofrece una ventaja computacional neta para simulaciones a gran escala.

Significado y Afirmaciones
El artículo afirma que NORi representa un nuevo paradigma para el diseño de parametrizaciones para modelos climáticos al unir exitosamente el modelado basado en física y el aprendizaje automático. Los autores argumentan que:

1. Aumento sobre Reemplazo: Comenzar con un cierre base simple y físicamente riguroso y aumentarlo con ML para capturar física faltante (residuos) es más efectivo que entrenar una red neuronal para aprender toda la parametrización desde cero. Este enfoque reduce drásticamente los requisitos de datos y el tamaño del modelo mientras mejora la generalización.
2. Estabilidad mediante Entrenamiento A Posteriori: El uso de calibración a posteriori, donde la pérdida se define por la evolución de las variables de estado en lugar de flujos instantáneos, es esencial para lograr estabilidad numérica en integraciones climáticas a largo plazo. Esto alinea la distribución de entrenamiento con las condiciones de inferencia e promueve implícitamente la estabilidad.
3. Practicidad: NORi está diseñado para ser compatible con modelos oceánicos existentes (demostrado mediante su integración en Oceananigans.jl) y soporta termodinámica no lineal realista (TEOS-10), lo que lo convierte en un candidato viable para mejorar los sesgos en la profundidad de la capa mixta en modelos climáticos globales sin el costo prohibitivo de los cierres de dos ecuaciones.

Los autores reconocen limitaciones, como la resolución de cuadrícula fija actual (8 m) y la exclusión de la física de convección profunda y los procesos de reestratificación, señalando que el trabajo futuro se centrará en el soporte de cuadrículas variables y la calibración conjunta dentro de simulaciones oceánicas globales.