PNAS | 气候预测进入“冰核”世纪！深度学习或大幅提高预报准确性

（图片来源：Getty Images）

德州农工大学的大气科学教授刘小红评价说：有一半的降水事件——无论是雪、雨还是雨夹雪——开始于微小冰晶，然后冰晶长大并导致降水。如果研究人员能更准确地模拟冰的成核结晶过程，就能大大促进整体的天气预测。

文章链接：

https://www.pnas.org/doi/10.1073/pnas.2207294119

无权限访问PNAS文章的，可以阅读arxiv上的预发表版本PDF：

https://arxiv.org/pdf/2203.01376.pdf

美国普林斯顿大学(Princeton University)的一个研究小组通过应用人工智能(AI)求解控制单个原子和分子量子行为的方程，准确模拟了冰形成的初始步骤。

由此产生的模拟描述了水分子如何以量子精度转变为固态冰。这种精度水平曾经被认为是无法达到的，因为它需要大量的计算能力，当研究人员将深度神经网络(一种人工智能的形式)纳入他们的方法时，这成为可能。这项研究发表在《美国国家科学院院刊》上。

“在某种意义上，这就像梦想成真，”罗伯托·卡尔(Roberto Car)说，他是普林斯顿大学(Princeton)的化学教授拉尔夫·w·31·多恩特(Ralph W. * Dornte)，他在35年前共同开创了基于潜在的量子定律模拟分子行为的方法。“我们当时的希望是，最终我们能够研究这样的系统，但如果没有进一步的概念发展，这是不可能的，而这种发展来自一个完全不同的领域，即人工智能和数据科学。”

在结冰的水中模拟初始步骤的能力，这个过程被称为冰成核，可以提高天气和气候建模的准确性，以及其他处理过程，如速冻食品。

这种新方法使研究人员能够在比早期研究长数千倍的时间内跟踪数十万原子的活动，尽管仍然只有几分之一秒。

‎将人工智能和量子力学结合起来模拟水冻结‎

普林斯顿大学的研究人员将人工智能和量子力学结合起来，模拟水结冰时在分子水平上发生的情况。这个结果是迄今为止对冰“成核”的第一步最完整的模拟，成核是一个对气候和天气建模很重要的过程。

深度学习使得研究人员能够在短短10天内完成计算 ，模拟出来的时间也延长了1000倍。诚然，这个时间仍然只有一秒的几分之一，但刚好足够看到冰核作用的全过程了。

Car共同发明了一种方法，利用潜在的量子力学定律来预测原子和分子的物理运动。量子力学定律决定了原子如何相互结合形成分子，以及分子如何相互结合形成日常物体。

Car和Michele Parrinello(现就职于意大利技术学院的物理学家)于1985年在一篇开创性的论文中发表了他们的方法，即“从头开始”(拉丁语“从头开始”)分子动力学。

但量子力学计算很复杂，需要巨大的计算能力。在20世纪80年代，计算机只能在几万亿分之一秒的时间内模拟出100个原子。随后计算机技术的进步和现代超级计算机的出现，增加了模拟的原子数量和时间跨度，但结果远远低于观察冰成核等复杂过程所需的原子数量。

人工智能提供了一个有吸引力的潜在解决方案。研究人员训练一个神经网络，以其与人类大脑工作方式的相似性命名，以识别相对较少的选定量子计算。一旦经过训练，神经网络就能以量子力学的精度计算出它从未见过的原子之间的力。这种“机器学习”方法已经在语音识别和自动驾驶汽车等日常应用中使用。

在将人工智能应用于分子建模方面，2018年普林斯顿研究生张林峰(Linfeng Zhang)与Car和普林斯顿数学教授魏南(Weinan E)合作，发现了一种将深度神经网络应用于量子力学原子间力建模的方法。张勇于2020年获得博士学位，现在是北京大数据研究所的一名研究科学家，他将这种方法称为“深度潜在分子动力学”。

（图片来源：Getty Images）

在目前的论文中，Car和博士后研究员Pablo Piaggi以及同事们将这些技术应用于模拟冰成核的挑战。利用深度潜在分子动力学，他们能够使用更少的计算能力，对多达30万个原子进行模拟，比以前可能的时间跨度更长。他们在橡树岭国家实验室(Oak Ridge National Laboratory)的世界上最快的超级计算机之一Summit上进行了模拟。

这项研究提供了冰成核最好的研究之一，普林斯顿大学研究部主任、工程与应用科学1950届教授Pablo Debenedetti说，他也是这项新研究的合著者。

德贝内代蒂说:“冰成核是天气预报模型中主要的未知量之一。”“这是向前迈出的相当重要的一步，因为我们看到与实验非常吻合。我们已经能够模拟非常大的系统，这在以前是量子计算无法想象的。”

目前，气候模型主要从实验室实验的观测中获得冰成核速度的估计，但这些相关性是描述性的，而不是预测性的，并且在有限的实验条件范围内有效。相比之下，在这项研究中所做的分子模拟类型可以产生对未来情况的预测，并可以估计在极端温度和压力条件下的冰的形成，如在其他行星上。

苏珊·杜德·布朗化学与生物工程教授、该研究的合著者之一Athanassios Panagiotopoulos说:“我们研究中使用的深层潜在方法将有助于实现从头计算分子动力学的承诺，从而对复杂现象产生有价值的预测，如化学反应和新材料的设计。”

该研究的第一作者、普林斯顿大学化学博士后研究助理皮亚吉说:“对我来说，我们正在研究自然界基本规律中非常复杂的现象，这是非常令人兴奋的。”皮亚吉获得博士学位时曾与帕里内洛一起研究用计算机模拟的新技术来研究罕见事件，如成核。即使在AI的帮助下，罕见事件发生的时间也超过了模拟时间，需要专门的技术来加速它们。

化学与生物工程专业的研究生杰克·韦斯(Jack Weis)通过在模拟中“播种”微小冰晶，帮助增加了观察成核的可能性。“播种的目标是增加水在模拟过程中形成冰晶的可能性，使我们能够测量成核速率，”维斯说，他的建议是德贝内代蒂和帕纳吉奥托普洛斯。

水分子由两个氢原子和一个氧原子组成。每个原子周围的电子决定了原子如何相互结合形成分子。

“我们从描述电子行为的方程开始，”皮亚吉说。“电子决定了原子如何相互作用，它们如何形成化学键，实际上决定了整个化学。”

Car说，这些原子可以以数百万种不同的排列方式存在。Car是溶液化学和接口中心的主任，该中心由美国能源部科学办公室(Energy Office of Science)和地区大学资助。

卡尔说:“神奇的是，由于某些物理原理，这台机器能够将一个小原子集合中相对较少的配置中发生的事情推断为一个大得多的系统的无数排列。”

皮亚吉表示，尽管人工智能方法已经问世多年，但研究人员对将其应用于物理系统的计算一直持谨慎态度。“当机器学习算法开始流行时，很大一部分科学界都持怀疑态度，因为这些算法是一个黑匣子。机器学习算法根本不懂物理，我们为什么要用它们呢?”

然而，在过去的几年里，这种态度发生了重大变化，皮亚吉说，这不仅是因为算法有效，还因为研究人员正在使用他们的物理学知识来为机器学习模型提供信息。

对于Car来说，看到30年前开始的工作取得成果是令人满意的。Car说:“这种发展来自于另一个领域，即数据科学和应用数学。”“不同领域之间的这种交叉互动非常重要。”

这项工作由美国能源部(授权DE-731 SC0019394)支持，并使用橡树岭国家实验室的橡树岭领导计算设施(授权DE-AC05-00OR22725)的资源。模拟基本上是使用普林斯顿大学的普林斯顿研究计算资源进行的。Pablo Piaggi得到了早期博士后的支持。瑞士国家科学基金会流动奖学金。

Pablo M. Piaggi、Jack Weis、Athanassios Z. Panagiotopoulos、Pablo G. Debenedetti和Roberto Car的研究“在从头开始的水的机器学习模型中均匀的冰成核”，发表在2022年8月8日那一周的《美国国家科学院学报》上。

文章旨在传播新闻信息，原文请查看：

https://www.princeton.edu/news/2022/08/09/how-water-turns-ice-quantum-accuracy

麻省理工科技评论：

事实上，用数字模型来模拟天气、气候从而对其进行深入研究并不新鲜，世界气候归因组织 (World Weather Attribution) 就利用了大量的卫星数据等作为基础，使用计算机建模来对气候变化进行定性定量研究，“气候变化归因”也因此入选了2020年《麻省理工科技评论》“全球十大突破性技术”。