Pembelajaran mendalam hampir dapat memprediksi dengan sempurna bagaimana es terbentuk

Para peneliti telah menggunakan pembelajaran mendalam untuk memodelkan lebih tepat daripada sebelumnya bagaimana kristal es terbentuk di atmosfer. Makalah mereka, yang diterbitkan minggu ini di PNAS, mengisyaratkan potensi untuk secara signifikan meningkatkan akurasi prakiraan cuaca dan iklim.

Para peneliti menggunakan pembelajaran mendalam untuk memprediksi bagaimana atom dan molekul berperilaku. Pertama, model dilatih pada simulasi skala kecil dari 64 molekul air untuk membantu mereka memprediksi bagaimana elektron dalam atom berinteraksi. Model kemudian mereplikasi interaksi tersebut pada skala yang lebih besar, dengan lebih banyak atom dan molekul. Kemampuan untuk secara tepat mensimulasikan interaksi elektron yang memungkinkan tim untuk secara akurat memprediksi perilaku fisik dan kimia.

“Sifat materi muncul dari bagaimana elektron berperilaku,” kata Pablo Piaggi, seorang peneliti di Universitas Princeton dan penulis utama studi tersebut. “Mensimulasikan secara eksplisit apa yang terjadi pada tingkat itu adalah cara untuk menangkap fenomena fisik yang jauh lebih kaya.”

Ini adalah pertama kalinya metode ini digunakan untuk memodelkan sesuatu yang kompleks seperti pembentukan kristal es, yang juga dikenal sebagai nukleasi es. Ini adalah salah satu langkah pertama dalam pembentukan awan, di mana semua curah hujan berasal.

Xiaohong Liu, seorang profesor ilmu atmosfer di Texas A&M University yang tidak terlibat dalam penelitian ini, mengatakan setengah dari semua peristiwa presipitasi—baik salju atau hujan atau hujan es—mulai sebagai kristal es, yang kemudian tumbuh lebih besar dan menghasilkan presipitasi. Jika para peneliti bisa memodelkan nukleasi es lebih akurat, itu bisa memberikan dorongan besar untuk prediksi cuaca secara keseluruhan.

Nukleasi es saat ini diprediksi berdasarkan eksperimen laboratorium. Para peneliti mengumpulkan data tentang pembentukan es di bawah kondisi laboratorium yang berbeda, dan data itu dimasukkan ke dalam model prediksi cuaca di bawah kondisi dunia nyata yang serupa. Metode ini kadang-kadang bekerja dengan cukup baik, tetapi seringkali menjadi tidak akurat karena banyaknya variabel yang terlibat dalam kondisi cuaca yang sebenarnya. Jika bahkan beberapa faktor berbeda antara lab dan dunia nyata, hasilnya bisa sangat berbeda.

“Data Anda hanya valid untuk wilayah, suhu, atau jenis pengaturan laboratorium tertentu,” kata Liu.

Memprediksi nukleasi es dari cara elektron berinteraksi jauh lebih tepat, tetapi juga sangat mahal secara komputasi. Hal ini membutuhkan para peneliti untuk memodelkan setidaknya 4.000 hingga 100.000 molekul air, dan bahkan pada superkomputer, simulasi semacam itu bisa memakan waktu bertahun-tahun untuk dijalankan. Bahkan itu hanya dapat memodelkan interaksi selama 100 picoseconds, atau 10^-10 detik—tidak cukup lama untuk mengamati proses nukleasi es.

Namun, menggunakan pembelajaran mendalam, para peneliti dapat menjalankan perhitungan hanya dalam 10 hari. Durasi waktunya juga 1.000 kali lebih lama—masih sepersekian detik, tetapi cukup untuk melihat nukleasi.

Tentu saja, model nukleasi es yang lebih akurat saja tidak akan membuat peramalan sempurna, kata Liu, karena itu hanya komponen kecil meskipun penting dari pemodelan cuaca. Aspek lain juga penting—memahami bagaimana tetesan air dan kristal es tumbuh, misalnya, dan bagaimana mereka bergerak dan berinteraksi bersama dalam kondisi yang berbeda.

Namun, kemampuan untuk lebih akurat memodelkan bagaimana kristal es terbentuk di atmosfer akan secara signifikan meningkatkan prediksi cuaca, terutama yang melibatkan apakah dan seberapa besar kemungkinan hujan atau salju. Ini juga dapat membantu prakiraan iklim dengan meningkatkan kemampuan untuk memodelkan awan, yang mempengaruhi suhu planet dengan cara yang kompleks.

Piaggi mengatakan penelitian masa depan dapat memodelkan nukleasi es ketika ada zat seperti asap di udara, berpotensi meningkatkan akurasi model bahkan lebih. Karena teknik pembelajaran mendalam, sekarang dimungkinkan untuk menggunakan interaksi elektron untuk memodelkan sistem yang lebih besar untuk jangka waktu yang lebih lama.

“Itu pada dasarnya telah membuka bidang baru,” kata Piaggi. “Itu sudah dan akan memiliki peran yang lebih besar dalam simulasi dalam kimia dan dalam simulasi bahan kami.”