Nonlinearly Coupled Permafrost Dynamics From Graph Neural Networks

Onder de ijzige wateren van de Noordelijke IJszee, verborgen onder honderden meters sediment, ligt een uitgestrekt, bevroren erfgoed van het recente verleden van de aarde. Dit is subsea permafrost, een laag grond die ooit droog land was dat werd blootgesteld aan bevriezende lucht tijdens de laatste ijstijden, om pas later onder water te komen te liggen toen de zeespiegel steeg. Vandaag de dag ontdooit deze bevroren grond langzaam doordat de oceaan opwarmt, een proces dat een complexe, onzichtbare dans inhoudt van water dat door de bodem stroomt, warmte die door gesteente beweegt, zout dat oplost en migreert, en ijs dat smelt en weer vormt. Het begrijpen van hoe deze bevroren laag zich over duizenden jaren verandert, is cruciaal omdat de instorting ervan de zeebodem kan destabiliseren, onderwaterinfrastructuur kan bedreigen en gevangen methaangas in de oceaan kan vrijgeven. Het simuleren van deze veranderingen is echter een monumentale taak geweest voor wetenschappers. De natuurkundige wetten die dit systeem beheersen zijn zo ingewikkeld dat het draaien van één enkel computermodel om de toekomst van slechts één locatie te voorspellen, uren aan intensieve rekenkracht kost, wat het bijna onmogelijk maakt om de duizenden simulaties uit te voeren die nodig zijn om het volledige spectrum aan mogelijkheden te begrijpen.

Om deze flessenhals op te lossen, heeft een team onderzoekers van The University of Texas at Austin een nieuw soort kunstmatige intelligentie ontwikkeld die het gedrag van deze bevroren grond in een fractie van een seconde kan voorspellen. In plaats van de complexe natuurkundige vergelijkingen stap voor stap op te lossen zoals een traditionele rekenmachine, hebben ze een machine learning-systeem getraind om de patronen te leren van hoe de grond in de loop van de tijd verandert. Ze voedden de computer met duizenden gesimuleerde geschiedenissen van de Arctische zeebodem, die een periode van 400.000 jaar beslaan, zodat het kon leren hoe druk, temperatuur, zoutconcentratie en ijsgehalte samen evolueren. Het resultaat is een digitale surrogaat, een versnelde versie van de echte wereld, die de toekomstige staat van de permafrost met opmerkelijke nauwkeurigheid kan voorspellen. In hun tests was dit nieuwe systeem in staat om het gedetailleerde gedrag van de bevroren grond te reproduceren, waarbij het de trage, zorgvuldige natuurkundige simulaties bijna perfect evenaarde terwijl het duizenden keren sneller draaide.

De onderzoekers bouwden dit hulpmiddel met behulp van een type neuraal netwerk dat ontworpen is om relaties tussen naburige punten te begrijpen, vergelijkbaar met hoe warmte en water van de ene bodemlaag naar de volgende bewegen. Ze noemden hun systeem PermaCycleGNS. Om het te trainen, gebruikten ze gegevens van een hoogwaardige natuurkundige simulator genaamd PermaCycle, die momenteel de gouden standaard is voor het modelleren van deze omgevingen. De natuurkundige simulator doet er uren over om een enkel scenario te draaien omdat deze de interacties van water, warmte en zout bij elke minuscule tijdstap moet berekenen. Het nieuwe AI-model leert daarentegen de "regels" van deze interacties van de data van de natuurkundige simulator en past deze vervolgens direct toe. Het team testte de AI op twee verschillende soorten uitdagingen. Eerst vroegen ze het om scenario's te voorspellen die vergelijkbaar waren met de scenario's die het tijdens de training had gezien, om in feite te controleren of het kon interpoleren tussen bekende voorbeelden. Ten tweede duwden ze het tot het uiterste door het te vragen scenario's te voorspellen aan de uiterste randen van de mogelijke condities, waar de parameters anders waren dan alles wat het eerder had gezien.

De resultaten toonden aan dat de AI niet alleen een snelle rekenmachine is, maar een robuuste voorspeller. Bij de standaard testgevallen waren de voorspellingen van de AI voor druk, temperatuur en zoutgehaltes ongelooflijk dicht bij de resultaten van de natuurkundige simulator, met fouten die zo klein waren dat ze nauwelijks meetbaar waren. Het moeilijkste deel om te voorspellen was de hoeveelheid ijs in de bodem, omdat ijs zich vormt en smelt in scherpe, plotselinge uitbarstingen in plaats van via geleidelijke veranderingen. Zelfs hier presteerde de AI goed en legde het de timing en diepte van de vries- en dooiprocessen vast. Wanneer de onderzoekers het model testten op de extreme, onbekende scenario's, bleef het accuraat, wat bewees dat het de onderliggende natuurkunde echt had geleerd in plaats van alleen de trainingsdata te hebben onthouden. De foutmarges voor deze moeilijke, extreme gevallen waren slechts iets hoger dan voor de standaardgevallen, wat bewees dat het model de volledige reeks condities die de Arctische regio kan presenteren, kan afhandelen.

Een sleutel tot dit succes was een specifieke trainingsmethode die de onderzoekers gebruikten om de AI te leren hoe het met zijn eigen fouten om moet gaan. Normaal gesproken, wanneer een computer een reeks gebeurtenissen voorspelt, kan een kleine fout aan het begin steeds groter worden naarmate het proces in de tijd vordert, om uiteindelijk de voorspelling te ruïneren. De onderzoekers trainden de AI om tegelijkertijd enkele stappen vooruit te kijken, waardoor het werd gedwongen te leren hoe het zijn eigen afwijkende voorspellingen kan corrigeren voordat ze te groot worden. Deze methode, bekend als een curriculum, verbeterde het vermogen van het model aanzienlijk om de scherpe veranderingen in ijsverzadiging te volgen. Zonder deze techniek zou de nauwkeurigheid van het model met betrekking tot het ijs veel lager zijn geweest. Met deze techniek kon de AI een helder beeld behouden van de staat van de bevroren grond voor de gehele tijdlijn van 400.000 jaar, waarbij het de output van de natuurkundige simulator evenaarde met een genormaliseerde fout van minder dan één duizendste.

Het snelheidverschil tussen de oude manier en de nieuwe manier is verbijsterend. Terwijl de traditionele natuurkundige simulator ongeveer vijf uur nodig heeft om een enkele simulatie te draaien op een standaard computerprocessor, kan het nieuwe AI-model dezelfde 400.000-jarige voorspelling in enkele seconden voltooien op een krachtige grafische kaart. Als de onderzoekers veel simulaties tegelijkertijd draaien door ze te groeperen om parallel te werken, wordt de versnelling nog spectaculairder en bereikt deze bijna 200.000 keer sneller dan de traditionele methode. Deze sprong in snelheid transformeert wat voor wetenschappers mogelijk is. In plaats van slechts een handvol simulaties uit te voeren om een globaal idee te krijgen van wat er zou kunnen gebeuren, kunnen ze nu duizenden of zelfs miljoenen simulaties uitvoeren om elke mogelijke variatie van het klimaat, de bodem en de oceaancondities te verkennen. Dit stelt hen in staat om gedetailleerde gevoeligheidsstudies uit te voeren, waarbij ze precies begrijpen welke factoren het belangrijkst zijn, en om de onzekerheid in hun voorspellingen te kwantificeren met een niveau van detail dat voorheen onmogelijk was.

De onderzoekers erkennen dat hun huidige model beperkt is tot een eendimensionale doorsnede van de zeebodem, die een enkele verticale kolom grond vertegenwoordigt. De echte wereld van zeebodems bestaat uit complexe, driedimensionale landschappen, en de volgende stap zal zijn om deze technologie uit te breiden naar die grotere gebieden. Ze merken ook op dat hun model momenteel ervan uitgaat dat de grond geen vrij gas bevat, een conditie die in toekomstige versies toegevoegd moet worden om alle scenario's uit de echte wereld te evenaren. Ondanks deze beperkingen toont het werk aan dat de architectuur die voor dit model is gebruikt flexibel genoeg is om te worden toegepast op andere complexe aardse systemen die worden beheerst door vergelijkbare natuurkundige wetten. Het vermogen om trage, dure natuurkundige simulaties te vervangen door snelle, nauwkeurige machine learning-emulatoren opent de deur naar een nieuw tijdperk in de aardwetenschappen, waarin onderzoekers diepere vragen kunnen stellen over ons verleden en onze toekomst zonder gehinderd te worden door de grenzen van rekenkracht. De bevroren grond onder de Arctische Oceaan is niet langer alleen een mysterie dat traag moet worden opgelost; het is een systeem dat nu in realtime kan worden verkend, wat een helderder beeld biedt van de veranderingen die eraan komen.