Výzkumníci z MIT vyvinuli tréninkovou techniku, která vytváří rychlé a adaptabilní klimatické modely umělé inteligence pomocí zlomku běžně požadovaných dat, což je krok, který by podle nich mohl zkrátit dobu výroby těchto nástrojů z měsíců nebo let na něco mnohem použitelnějšího pro politická rozhodnutí. Výzkum se tento týden objeví v časopise Proceedings of the National Academy of Sciences.
Zmíněné modely jsou klimatické emulátory: kompaktní náhradní systémy umělé inteligence, které napodobují chování modelů zemského systému v plném měřítku (ESM). ESM jsou tahouny klimatologické vědy – obrovské simulace založené na fyzice, které promítají, jak teploty, srážky a hladiny moří reagují na emise skleníkových plynů – ale běh jediného budoucího scénáře na shluku superpočítačů může trvat měsíce. Naproti tomu emulátory běží během několika sekund a umožňují vědcům testovat tisíce scénářů, zkoumat regionální účinky a specifické znečišťující látky a označovat neočekávané výsledky politických intervencí. Pro průběžné pokrytí rozšiřující se role umělé inteligence ve vědě sledujte naše zprávy o výzkumu AI.
Problém: realistická tréninková data vytvářejí křehké modely
Když výzkumníci sestavují klimatický emulátor, obvykle jej trénují na šesti až osmi budoucích emisních scénářích, které sledují realistické trajektorie. Každý z nich musí projít úplným ESM, aby se vytvořila trénovací data, což činí generování datových sad nákladným a pomalým. Tým MIT již dříve identifikoval nenápadný způsob selhání: emulátoři vyškolení na realistické scénáře mohou mít horší výkon, když jsou požádáni, aby předpověděli neznámé nebo nové situace – přesně ty situace, které tvůrci politik stále častěji potřebují prozkoumat.
"Náš algoritmus může generovat nějaké podivné scénáře, které nevypadají jako realistická budoucnost, ale příliš nás nezajímá, jestli jsou tréninkové scénáře realistické," řekl Christopher Womack PhD '26, nyní postdoktorand na ETH Zurich a hlavní autor článku, v MIT News. "Jen se snažíme vytvořit co nejlepší datovou sadu pro trénování emulátoru."
One ESM run instead of eight
The new technique inverts the usual pipeline. Místo sestavování realistických scénářů algoritmus generuje optimalizované syntetické scénáře přizpůsobené tak, aby maximalizovaly prediktivní schopnosti konkrétního emulátoru. Proces začíná libovolným scénářem procházejícím rychlým a jednoduchým klimatickým modelem, měří, jak dobře emulátor reprodukuje úplné výsledky ESM, a poté iterativně ruší tréninková data – například v roce 2050 prudce zvyšují emise CO2 nebo v roce 2037 rychle omezují metan – dokud chyba emulátoru neklesne pod prahovou hodnotu.
Výsledné syntetické scénáře nevypadají jako hladké trajektorie reálného světa. "Zavedením těchto vysokofrekvenčních kmitů a oscilací naše data umožňují emulátoru extrahovat mnohem více informací o celém systému," řekl Womack. Praktická výhoda je značná: tam, kde sestavení tréninkové sady dříve vyžadovalo šest až osmkrát spustit plné ESM, nyní uživatel potřebuje jeden běh.
Passing the test traditional models failed
Výzkumníci uvádějí, že emulátor trénovaný jejich metodou přesně předpovídal výsledky scénářů, které během trénování nikdy neviděl, zatímco tradiční emulátory se nedokázaly přizpůsobit. V jednom testu, na který upozornilo MIT News, synteticky trénovaný emulátor správně zachytil účinky místní politiky kontroly znečišťujících látek, která snižuje jednu znečišťující látku, zatímco ostatní emise stále rostou – případ, kdy konvenčně trénované emulátory, které vyhodnocovali, selhaly.
"Klimatické emulátory jsou zvláště vhodné pro modelování scénářů relevantních pro politiku," řekl Womack. "Pomocí naší metody pro generování optimalizovaných školicích dat pro emulátor můžeme urychlit produkci mnohem spolehlivějších emulátorů, takže jejich výstupům můžeme lépe důvěřovat při přijímání politických rozhodnutí."
Adaptabilita je důležitá, protože budoucnost nebude připomínat tréninkovou sadu. "V budoucnu určitě uvidíme klima a scénáře, které jsme ještě neviděli," řekl Selin. "Pokud dokážeme simulovat tyto různé scénáře robustněji, můžeme poskytnout spolehlivější informace zúčastněným stranám, které je potřebují."
Proč na načasování záleží
Hlavní autorka Noelle Selin, profesorka v Institutu pro data, systémy a společnost MIT a Oddělení věd o Zemi, atmosféře a planetách a ředitelka Centra pro vědu a strategii udržitelnosti, zarámovala práci jako opravu dodavatelského řetězce pro samotné informace o klimatu. Protože školení emulátoru může trvat měsíce nebo roky, nástroje dostupné plánovačům jsou často zastaralé. "Myslím si, že díky zkrácení tohoto výrobního času tato technika změní hru, pokud jde o získání aktualizovaných nástrojů do rukou výzkumníků a praktiků," řekla.
Aplikace sahají daleko za akademickou sféru: aktuální klimatické projekce informují o rozhodování o odolnosti energetické sítě, ochraně veřejného zdraví a zemědělském plánování. V týmu byli také Shahine Bouabid, Andrei Sokolov, Popat Salunke a Glenn Flierl z MIT a Sebastian D. Eastham z Imperial College London. Dalším cílem výzkumníků je rozšířit techniku, aby emulátory zůstaly robustní, když planeta vstupuje do klimatických podmínek bez historického precedentu.
---
Stay Ahead of AIZískejte nejnovější zprávy, analýzy a průlomové informace o umělé inteligenci – vše na jednom místě.
Přečtěte si další zprávy o AI →
