في سعي مستمر لفهم التفاعلات الحرارية في المحيطات، أظهرت أحدث الأبحاث توجهاً مثيراً يتضمن استخدام تقنيات الذكاء الاصطناعي لتحسين نمذجة طبقات البحر. يُعرف هذا النموذج باسم NORi، وهو اختصار لـ neural ordinary differential equations (NODEs) Richardson number (Ri) closure.

يُمكن اعتبار NORi بمثابة تحول في استراتيجيات النمذجة الفيزيائية، حيث يجمع بين الفيزياء الأساسية وذكاء الشبكات العصبية (Neural Networks). يستخدم NORi مقياس ريخاردسون (Richardson number) للتحكم في النفاذية واللزوجة، مما يسمح له بالتقاط الديناميات المعقدة لتدفق الهواء والماء تحت طبقات السطح. ومن خلال تدريبه على محاكاة متطورة تدعى large-eddy simulations، استطاع NORi أن يحقق توازناً مثالياً بين الأداء والدقة.

أحد أبرز مزايا NORi هو قدرته على الحفاظ على المتتبعات (tracers)، مما يجعله نموذجاً قوياً في تتبع المواد المختلفة في المحيطات، كما أنه يؤكد على فعالية ديناميات التفاعل تحت مجموعة متنوعة من العوامل القابلة للتغيير مثل قوة الحمل (convective strengths) ودرجات الحرارة الخلفية (background stratifications).

عند تطبيقه على محاكاة رئيسية على محطة الطقس البحرية Papa، أثبت NORi أداءً مماثلاً لأحدث الأنظمة القائمة على معادلتين (two-equation k-ε closure)، مما يُتيح استخدامه بشكل فعال في بيئات ذات ديناميات معقدة.

علاوة على ذلك، يُظهر NORi استقراراً رقمياً حتى مع تشغيله على فترات تصل إلى 100 عام، مما يفتح الباب أمام إمكانيات جديدة في نمذجة المناخ وتوقع الجوانب المناخية بشكل مستدام.

إن إدخال نموذج NORi يعكس تحقيق قفزات كبيرة في استخدام الذكاء الاصطناعي لتحسين نمذجة الأنظمة البيئية، مما يشير إلى أن الجمع بين الأنماط الفيزيائية والنماذج المدعومة بالبيانات يمكن أن يحدث فرقاً حقيقياً في فهمنا للعالم الطبيعي.