MIT-Forscher haben eine Trainingstechnik entwickelt, die schnelle, anpassungsfähige KI-Klimamodelle mit einem Bruchteil der normalerweise benötigten Daten erstellt. Ein Schritt, von dem sie sagen, dass er die Produktionszeit dieser Tools von Monaten oder Jahren auf etwas verkürzen könnte, das für politische Entscheidungen weitaus brauchbarer ist. Die Forschung erscheint diese Woche in den Proceedings der National Academy of Sciences.
Bei den betreffenden Modellen handelt es sich um Klimaemulatoren: kompakte KI-Ersatzsysteme, die das Verhalten von Erdsystemmodellen (ESMs) in Originalgröße nachahmen. ESMs sind die Arbeitspferde der Klimawissenschaft – riesige physikbasierte Simulationen, die projizieren, wie Temperaturen, Niederschläge und Meeresspiegel auf Treibhausgasemissionen reagieren –, aber es kann Monate dauern, bis ein einzelnes Zukunftsszenario auf einem Cluster von Supercomputern läuft. Im Gegensatz dazu laufen Emulatoren in Sekundenschnelle und ermöglichen es Wissenschaftlern, Tausende von Szenarien zu testen, regionale Auswirkungen und spezifische Schadstoffe zu untersuchen und unerwartete Ergebnisse politischer Interventionen anzuzeigen. Um fortlaufend über die wachsende Rolle der KI in der Wissenschaft zu berichten, folgen Sie unseren KI-Forschungsnachrichten.
Das Problem: Realistische Trainingsdaten führen zu fragilen Modellen
Wenn Forscher einen Klimaemulator bauen, trainieren sie ihn normalerweise anhand von sechs bis acht zukünftigen Emissionsszenarien, die realistischen Verläufen folgen. Jeder muss ein vollständiges ESM durchlaufen, um Trainingsdaten zu erzeugen, was die Generierung von Datensätzen kostspielig und langsam macht. Das MIT-Team hatte zuvor einen subtilen Fehlermodus identifiziert: Emulatoren, die auf realistische Szenarien trainiert wurden, können schlechter abschneiden, wenn sie aufgefordert werden, unbekannte oder neuartige Situationen vorherzusagen – genau die Situationen, die politische Entscheidungsträger zunehmend untersuchen müssen.
„Unser Algorithmus generiert möglicherweise einige seltsame Szenarien, die nicht wie eine realistische Zukunft aussehen, aber es ist uns egal, ob die Trainingsszenarien realistisch sind“, sagte Christopher Womack PhD '26, jetzt Postdoktorand an der ETH Zürich und Hauptautor des Artikels, in MIT News. „Wir versuchen lediglich, den bestmöglichen Datensatz für das Training eines Emulators zu erstellen.“
Ein ESM-Lauf statt acht
Die neue Technik kehrt die übliche Pipeline um. Anstatt realistische Szenarien zusammenzustellen, generiert ein Algorithmus optimierte synthetische Szenarien, die darauf zugeschnitten sind, die Vorhersagefähigkeit eines bestimmten Emulators zu maximieren. Der Prozess beginnt mit einem willkürlichen Szenario, das ein schnelles, einfaches Klimamodell durchläuft, misst, wie gut der Emulator die vollständigen ESM-Ergebnisse reproduziert, und verändert dann iterativ die Trainingsdaten – beispielsweise durch einen starken Anstieg der CO2-Emissionen im Jahr 2050 oder eine schnelle Reduzierung des Methans im Jahr 2037 –, bis der Fehler des Emulators unter einen Schwellenwert fällt.
Die resultierenden synthetischen Szenarien sehen nicht wie glatte Flugbahnen in der realen Welt aus. „Durch die Einführung dieser hochfrequenten Wackelbewegungen und Schwingungen ermöglichen unsere Daten dem Emulator, viel mehr Informationen über das Gesamtsystem zu extrahieren“, sagte Womack. Der praktische Nutzen ist beträchtlich: Während für die Erstellung eines Trainingssatzes früher ein vollständiger ESM-Durchlauf sechs bis acht Mal erforderlich war, benötigt ein Benutzer jetzt einen einzigen Durchlauf.
Traditionelle Modelle haben den Test nicht bestanden
Die Forscher berichten, dass ein mit ihrer Methode trainierter Emulator die Ergebnisse von Szenarien, die er während des Trainings noch nie gesehen hatte, genau vorhersagte, während herkömmliche Emulatoren sich nicht anpassen konnten. In einem von MIT News hervorgehobenen Test erfasste der synthetisch trainierte Emulator die Auswirkungen einer lokalen Schadstoffkontrollpolitik, die einen Schadstoff reduziert, während andere Emissionen weiter steigen, korrekt – ein Fall, bei dem die von ihnen bewerteten konventionell trainierten Emulatoren versagten.
„Klima-Emulatoren eignen sich besonders gut für die Modellierung politikrelevanter Szenarien“, sagte Womack. „Indem wir unsere Methode nutzen, um optimierte Trainingsdaten für einen Emulator zu generieren, können wir die Produktion wesentlich zuverlässigerer Emulatoren beschleunigen, sodass wir uns bei politischen Entscheidungen besser auf ihre Ergebnisse verlassen können.“
Die Anpassungsfähigkeit ist wichtig, weil die Zukunft nicht dem Trainingssatz ähneln wird. „In Zukunft werden wir definitiv Klimazonen und Szenarien erleben, die wir noch nie zuvor gesehen haben“, sagte Selin. „Wenn wir diese verschiedenen Szenarien robuster simulieren können, können wir den Stakeholdern, die sie benötigen, zuverlässigere Informationen liefern.“
Warum Timing wichtig ist
Die leitende Autorin Noelle Selin, Professorin am Institut für Daten, Systeme und Gesellschaft des MIT und am Department of Earth, Atmospheric and Planetary Sciences und Direktorin des Center for Sustainability Science and Strategy, bezeichnete die Arbeit als Lösung für die Lieferkette der Klimainformationen selbst. Da die Emulatorschulung Monate oder Jahre dauern kann, sind die den Planern zur Verfügung stehenden Tools oft veraltet. „Durch die Verkürzung der Produktionszeit denke ich, dass diese Technik eine entscheidende Rolle dabei spielen wird, aktualisierte Werkzeuge in die Hände von Forschern und Praktikern zu bekommen“, sagte sie.
Die Anwendungen reichen weit über die akademische Welt hinaus: Aktuelle Klimaprognosen dienen als Grundlage für Entscheidungen zur Widerstandsfähigkeit von Stromnetzen, zum Schutz der öffentlichen Gesundheit und zur Agrarplanung. Zum Team gehörten außerdem Shahine Bouabid, Andrei Sokolov, Popat Salunke und Glenn Flierl vom MIT sowie Sebastian D. Eastham vom Imperial College London. Das nächste Ziel der Forscher besteht darin, die Technik zu erweitern, damit die Emulatoren robust bleiben, auch wenn auf dem Planeten Klimabedingungen ohne historischen Präzedenzfall auftreten.
---
Der KI einen Schritt voraus seinErhalten Sie die neuesten KI-Nachrichten, Analysen und Durchbrüche – alles an einem Ort.
Weitere KI-Neuigkeiten lesen →
