Hava durumu ve iklim modelleri, atmosferin tamamını doğrudan simüle etmek yerine, hesaplamalı olarak çözülemeyen küçük ölçekli süreçleri —bulut oluşumu, türbülans, radyasyon transferi gibi— matematiksel şemalarla temsil eder. Bu şemalarda kullanılan katsayılar tarihsel olarak gözlem verileriyle elle ayarlanmış ve modelin dışında optimize edilmiştir. Sorun şu ki bu statik yaklaşım, modelin atmosferin değişen koşullarına uyum sağlamasını kısıtlar ve uzun vadeli tahminlerde kalıcı hatalara yol açar.
Yeni bir araştırma, bu köklü soruna makine öğrenmesi tabanlı bir çözüm öneriyor. Çalışmada parametrizasyon şemalarının bileşenleri, sabit katsayılar yerine modelin anlık durumuna bağlı dinamik fonksiyonlarla değiştiriliyor. Bu fonksiyonlar, pekiştirmeli öğrenme (RL) algoritmaları aracılığıyla modelin çalışması sırasında —yani çevrimiçi olarak— öğreniliyor.
Araştırmacılar, geliştirdikleri çerçeveyi üç farklı idealleştirilmiş test ortamında değerlendirdi: basit bir iklim yanlılığı düzeltme sistemi, radyatif-taşınımsal denge modeli ve bölgesel ortalama enerji denge modeli. Bu çeşitli testbedler, yöntemin farklı fiziksel senaryolardaki genel geçerliliğini ölçmek amacıyla seçildi.
Dokuz farklı RL algoritması karşılaştırmalı olarak test edildi. Bunlar arasında Truncated Quantile Critics (TQC), Deep Deterministic Policy Gradient (DDPG) ve Twin Delayed DDPG (TD3), hem en yüksek performansı hem de en kararlı yakınsama davranışını sergiledi. Statik referans modelleriyle kıyaslandığında, bu algoritmaların model yanlılığını anlamlı ölçüde azalttığı görüldü.
Çalışmanın dikkat çeken bir diğer yönü, tek ajanlı ve federe çok ajanlı mimarilerin birlikte ele alınmasıdır. Federe yapı, farklı model bölgelerinin veya bileşenlerinin ayrı ajanlar tarafından yönetilmesine olanak tanıyarak yaklaşımın daha büyük ve karmaşık modellere nasıl uygulanabileceğine dair ipuçları sunuyor.
Bu çalışma, yapay zekanın iklim biliminin temel araçlarından biri olan sayısal modelleri daha esnek ve doğru hale getirme potansiyelini somut bir çerçeveyle ortaya koyuyor. Gelecekte bu tür yaklaşımların operasyonel hava tahmin sistemlerine entegre edilmesi, hem kısa vadeli tahminlerin hem de uzun vadeli iklim projeksiyonlarının güvenilirliğini artırabilir.