এমআইটি গবেষকরা একটি প্রশিক্ষণ কৌশল তৈরি করেছেন যা সাধারণত প্রয়োজনীয় ডেটার একটি ভগ্নাংশ ব্যবহার করে দ্রুত, অভিযোজনযোগ্য AI জলবায়ু মডেল তৈরি করে, একটি পদক্ষেপ যা এই সরঞ্জামগুলির উৎপাদন সময়কে মাস বা বছর থেকে কমিয়ে নীতিগত সিদ্ধান্তের জন্য আরও বেশি ব্যবহারযোগ্য করে দিতে পারে। গবেষণাটি এই সপ্তাহে প্রসিডিংস অফ দ্য ন্যাশনাল একাডেমি অফ সায়েন্সেস-এ উপস্থিত হয়েছে।

প্রশ্নে থাকা মডেলগুলি হল জলবায়ু অনুকরণকারী: কমপ্যাক্ট এআই সারোগেট সিস্টেম যা ফুল-স্কেল আর্থ সিস্টেম মডেলের (ESMs) আচরণকে অনুকরণ করে। ESM হল জলবায়ু বিজ্ঞানের কর্মঘোড়া — প্রচুর পদার্থবিদ্যা-ভিত্তিক সিমুলেশন যা প্রজেক্ট করে যে কীভাবে তাপমাত্রা, বৃষ্টিপাত এবং সমুদ্রের স্তরগুলি গ্রীনহাউস গ্যাস নির্গমনে প্রতিক্রিয়া জানায় — কিন্তু একটি একক ভবিষ্যতের দৃশ্য সুপার কম্পিউটারের ক্লাস্টারে চলতে কয়েক মাস সময় নিতে পারে। বিপরীতে, এমুলেটরগুলি কয়েক সেকেন্ডে চলে, বিজ্ঞানীদের হাজার হাজার পরিস্থিতি পরীক্ষা করতে দেয়, আঞ্চলিক প্রভাব এবং নির্দিষ্ট দূষণের তদন্ত করতে দেয় এবং নীতিগত হস্তক্ষেপের অপ্রত্যাশিত ফলাফলগুলিকে চিহ্নিত করে। বিজ্ঞানে AI এর ক্রমবর্ধমান ভূমিকার চলমান কভারেজের জন্য, আমাদের AI গবেষণা সংবাদ অনুসরণ করুন।

সমস্যা: বাস্তবসম্মত প্রশিক্ষণ ডেটা ভঙ্গুর মডেল তৈরি করে

গবেষকরা যখন একটি জলবায়ু এমুলেটর তৈরি করেন, তারা সাধারণত এটিকে ছয় থেকে আটটি ভবিষ্যত নির্গমন পরিস্থিতিতে প্রশিক্ষণ দেয় যা বাস্তবসম্মত গতিপথ অনুসরণ করে। প্রশিক্ষণের ডেটা তৈরি করতে প্রতিটিকে অবশ্যই একটি সম্পূর্ণ ESM এর মাধ্যমে চালাতে হবে, যা ডেটাসেট তৈরিকে ব্যয়বহুল এবং ধীর করে তোলে। এমআইটি টিম পূর্বে একটি সূক্ষ্ম ব্যর্থতার মোড চিহ্নিত করেছিল: বাস্তবসম্মত পরিস্থিতিতে প্রশিক্ষিত এমুলেটররা যখন অপরিচিত বা অভিনব পরিস্থিতির ভবিষ্যদ্বাণী করতে বলা হয় তখন তারা কম পারফর্ম করতে পারে - ঠিক যে পরিস্থিতি নীতিনির্ধারকদের ক্রমবর্ধমানভাবে অন্বেষণ করতে হবে।

"আমাদের অ্যালগরিদম কিছু অদ্ভুত পরিস্থিতি তৈরি করতে পারে যা বাস্তবসম্মত ভবিষ্যতের মতো কিছু দেখায় না, তবে প্রশিক্ষণের পরিস্থিতি বাস্তবসম্মত হলে আমরা খুব একটা পাত্তা দিই না," বলেছেন ক্রিস্টোফার ওম্যাক পিএইচডি '26, এখন ইটিএইচ জুরিখের একজন পোস্টডক এবং কাগজের প্রধান লেখক, এমআইটি নিউজে। "আমরা কেবল একটি এমুলেটরকে প্রশিক্ষণের জন্য সর্বোত্তম সম্ভাব্য ডেটাসেট তৈরি করার চেষ্টা করছি।"

আটটির পরিবর্তে একটি ইএসএম চালান

নতুন কৌশলটি সাধারণ পাইপলাইনকে উল্টে দেয়। বাস্তবসম্মত পরিস্থিতি একত্রিত করার পরিবর্তে, একটি অ্যালগরিদম একটি নির্দিষ্ট এমুলেটরের ভবিষ্যদ্বাণীমূলক দক্ষতা সর্বাধিক করার জন্য তৈরি করা অপ্টিমাইজড সিন্থেটিক পরিস্থিতি তৈরি করে। প্রক্রিয়াটি একটি দ্রুত, সহজ জলবায়ু মডেলের মাধ্যমে চালিত একটি নির্বিচারে দৃশ্যের সাথে শুরু হয়, পরিমাপ করে যে এমুলেটরটি সম্পূর্ণ ESM-এর ফলাফলগুলিকে কতটা ভালভাবে পুনরুত্পাদন করে, তারপরে প্রশিক্ষণের ডেটাকে পুনরাবৃত্তি করে — 2050 সালে CO2 নিঃসরণ তীব্রভাবে বাড়ানো, বলুন, বা 2037 সালে মিথেন দ্রুত কাটতে হবে — যতক্ষণ না এমুলেটর একটি ত্রুটির নিচে নেমে আসে।

ফলস্বরূপ সিন্থেটিক দৃশ্যকল্পগুলি মসৃণ বাস্তব-বিশ্বের ট্র্যাজেক্টোরির মতো কিছুই দেখায় না। "এই উচ্চ-ফ্রিকোয়েন্সি wiggles এবং oscillations প্রবর্তন করে, আমাদের ডেটা সামগ্রিক সিস্টেম সম্পর্কে অনেক বেশি তথ্য বের করতে এমুলেটরকে সক্ষম করে," ওম্যাক বলেছেন। ব্যবহারিক অর্থ যথেষ্ট: যেখানে একটি প্রশিক্ষণ সেট তৈরি করতে একবার পূর্ণ ESM ছয় থেকে আটবার চালানোর প্রয়োজন হয়, একজন ব্যবহারকারীর এখন একক দৌড়ের প্রয়োজন।

পরীক্ষায় উত্তীর্ণ হয়ে গতানুগতিক মডেলরা ফেল করেছে

গবেষকরা রিপোর্ট করেছেন যে একটি এমুলেটর তাদের পদ্ধতির সাথে প্রশিক্ষিত এমন পরিস্থিতিগুলির ফলাফলের সঠিকভাবে পূর্বাভাস দেয় যা প্রশিক্ষণের সময় এটি কখনও দেখেনি, যখন প্রথাগত এমুলেটররা মানিয়ে নিতে ব্যর্থ হয়েছে। এমআইটি নিউজ দ্বারা হাইলাইট করা একটি পরীক্ষায়, সিন্থেটিক-প্রশিক্ষিত এমুলেটর স্থানীয় দূষণকারী-নিয়ন্ত্রণ নীতির প্রভাবগুলিকে সঠিকভাবে ক্যাপচার করেছে যা একটি দূষণকারীকে হ্রাস করে যখন অন্যান্য নির্গমন বাড়তে থাকে - এমন একটি ক্ষেত্রে যেখানে তারা মূল্যায়ন করা প্রচলিতভাবে প্রশিক্ষিত এমুলেটর ব্যর্থ হয়েছে।

"জলবায়ু এমুলেটরগুলি নীতি-প্রাসঙ্গিক পরিস্থিতিতে মডেলিংয়ের জন্য বিশেষভাবে উপযুক্ত," ওম্যাক বলেছেন। "একটি এমুলেটরের জন্য অপ্টিমাইজড প্রশিক্ষণ ডেটা তৈরি করার জন্য আমাদের পদ্ধতি ব্যবহার করে, আমরা অনেক বেশি নির্ভরযোগ্য এমুলেটরগুলির উত্পাদনকে ত্বরান্বিত করতে পারি, যাতে আমরা নীতিগত সিদ্ধান্ত নেওয়ার জন্য তাদের আউটপুটগুলিকে আরও ভালভাবে বিশ্বাস করতে পারি।"

অভিযোজনযোগ্যতা গুরুত্বপূর্ণ কারণ ভবিষ্যত প্রশিক্ষণ সেটের সাথে সাদৃশ্যপূর্ণ হবে না। "ভবিষ্যতে, আমরা অবশ্যই জলবায়ু এবং দৃশ্যকল্পগুলি দেখতে যাচ্ছি যা আমরা আগে দেখিনি," সেলিন বলেছিলেন। "যদি আমরা এই ভিন্ন পরিস্থিতিগুলিকে আরও দৃঢ়ভাবে অনুকরণ করতে পারি, তাহলে আমরা প্রয়োজনীয় স্টেকহোল্ডারদের আরও নির্ভরযোগ্য তথ্য সরবরাহ করতে পারি।"

কেন সময় গুরুত্বপূর্ণ

সিনিয়র লেখক নোয়েল সেলিন, এমআইটি-এর ইনস্টিটিউট ফর ডেটা, সিস্টেমস এবং সোসাইটি এবং আর্থ, অ্যাটমোস্ফিয়ারিক অ্যান্ড প্ল্যানেটারি সায়েন্সেস বিভাগের অধ্যাপক এবং সেন্টার ফর সাসটেইনেবিলিটি সায়েন্স অ্যান্ড স্ট্র্যাটেজির পরিচালক, জলবায়ু তথ্যের জন্য একটি সাপ্লাই-চেইন ফিক্স হিসাবে কাজটি তৈরি করেছেন। কারণ এমুলেটর প্রশিক্ষণ মাস বা বছর সময় নিতে পারে, পরিকল্পনাকারীদের কাছে উপলব্ধ সরঞ্জামগুলি প্রায়শই পুরানো হয়৷ "সেই উত্পাদনের সময়টি কমিয়ে, আমি মনে করি এই কৌশলটি গবেষক এবং অনুশীলনকারীদের হাতে আপডেট হওয়া সরঞ্জামগুলি পাওয়ার ক্ষেত্রে একটি গেম-চেঞ্জার হবে," তিনি বলেছিলেন।

অ্যাপ্লিকেশানগুলি একাডেমিয়ার বাইরেও প্রসারিত: আপ-টু-ডেট জলবায়ু অনুমানগুলি পাওয়ার-গ্রিড স্থিতিস্থাপকতা, জনস্বাস্থ্য সুরক্ষা এবং কৃষি পরিকল্পনার সিদ্ধান্তগুলিকে অবহিত করে। এই দলে শাহিন বোয়াবিড, আন্দ্রেই সোকোলভ, পোপাট সালুনকে এবং এমআইটি-র গ্লেন ফ্লিয়ের্ল এবং ইম্পেরিয়াল কলেজ লন্ডনের সেবাস্টিয়ান ডি. ইস্টহামও ছিলেন। গবেষকদের পরবর্তী লক্ষ্য কৌশলটি প্রসারিত করা যাতে এমুলেটরগুলি শক্তিশালী থাকে কারণ গ্রহটি কোনো ঐতিহাসিক নজির ছাড়াই জলবায়ু পরিস্থিতিতে প্রবেশ করে।

---

এআই থেকে এগিয়ে থাকুন

সর্বশেষ AI খবর, বিশ্লেষণ এবং সাফল্য পান — সব এক জায়গায়।

আরও এআই খবর পড়ুন →