Οι ερευνητές του MIT ανέπτυξαν μια τεχνική εκπαίδευσης που παράγει γρήγορα, προσαρμόσιμα κλιματικά μοντέλα AI χρησιμοποιώντας ένα κλάσμα των δεδομένων που συνήθως απαιτούνται, ένα βήμα που λένε ότι θα μπορούσε να μειώσει τον χρόνο παραγωγής αυτών των εργαλείων από μήνες ή χρόνια σε κάτι πολύ πιο χρήσιμο για αποφάσεις πολιτικής. Η έρευνα δημοσιεύεται αυτή την εβδομάδα στο Proceedings of the National Academy of Sciences.
Τα εν λόγω μοντέλα είναι εξομοιωτές κλίματος: συμπαγή υποκατάστατα συστήματα τεχνητής νοημοσύνης που μιμούνται τη συμπεριφορά μοντέλων συστημάτων γης πλήρους κλίμακας (ESM). Τα ESM είναι οι κινητήριες δυνάμεις της επιστήμης του κλίματος - τεράστιες προσομοιώσεις βασισμένες στη φυσική που προβάλλουν πώς οι θερμοκρασίες, η βροχόπτωση και τα επίπεδα της θάλασσας ανταποκρίνονται στις εκπομπές αερίων του θερμοκηπίου - αλλά ένα μεμονωμένο μελλοντικό σενάριο μπορεί να πάρει μήνες για να εκτελεστεί σε ένα σύμπλεγμα υπερυπολογιστών. Οι εξομοιωτές, αντίθετα, λειτουργούν σε δευτερόλεπτα, επιτρέποντας στους επιστήμονες να δοκιμάσουν χιλιάδες σενάρια, να διερευνήσουν περιφερειακές επιδράσεις και συγκεκριμένους ρύπους και να επισημάνουν απροσδόκητα αποτελέσματα παρεμβάσεων πολιτικής. Για συνεχή κάλυψη του διευρυνόμενου ρόλου της τεχνητής νοημοσύνης στην επιστήμη, ακολουθήστε τις [Ερευνητικές ειδήσεις AI] (https://aibuzzwire.news).
Το πρόβλημα: τα ρεαλιστικά δεδομένα εκπαίδευσης κάνουν εύθραυστα μοντέλα
Όταν οι ερευνητές κατασκευάζουν έναν εξομοιωτή κλίματος, τον εκπαιδεύουν συνήθως σε έξι έως οκτώ μελλοντικά σενάρια εκπομπών που ακολουθούν ρεαλιστικές τροχιές. Κάθε ένα πρέπει να εκτελείται μέσω ενός πλήρους ESM για την παραγωγή δεδομένων εκπαίδευσης, γεγονός που καθιστά τη δημιουργία δεδομένων δαπανηρή και αργή. Η ομάδα του MIT είχε προηγουμένως εντοπίσει μια λεπτή λειτουργία αποτυχίας: οι εξομοιωτές που έχουν εκπαιδευτεί σε ρεαλιστικά σενάρια μπορούν να έχουν χαμηλή απόδοση όταν τους ζητείται να προβλέψουν άγνωστες ή καινοτόμες καταστάσεις — ακριβώς τις καταστάσεις που πρέπει να εξερευνούν όλο και περισσότερο οι υπεύθυνοι χάραξης πολιτικής.
«Ο αλγόριθμός μας μπορεί να δημιουργήσει κάποια περίεργα σενάρια που δεν μοιάζουν καθόλου με ένα ρεαλιστικό μέλλον, αλλά δεν μας νοιάζει τόσο αν τα σενάρια εκπαίδευσης είναι ρεαλιστικά», δήλωσε ο Christopher Womack PhD '26, τώρα μεταδιδακτορικός στο ETH Zurich και κύριος συγγραφέας της εφημερίδας, στο MIT News. "Απλώς προσπαθούμε να δημιουργήσουμε το καλύτερο δυνατό σύνολο δεδομένων για να εκπαιδεύσουμε έναν εξομοιωτή."
Ένα τρέξιμο ESM αντί για οκτώ
Η νέα τεχνική αντιστρέφει τον συνηθισμένο αγωγό. Αντί να συναρμολογεί ρεαλιστικά σενάρια, ένας αλγόριθμος δημιουργεί βελτιστοποιημένα συνθετικά σενάρια προσαρμοσμένα ώστε να μεγιστοποιούν την προγνωστική ικανότητα ενός συγκεκριμένου εξομοιωτή. Η διαδικασία ξεκινά με ένα αυθαίρετο σενάριο που εκτελείται μέσω ενός γρήγορου, απλού κλιματικού μοντέλου, μετρά πόσο καλά ο εξομοιωτής αναπαράγει τα πλήρη αποτελέσματα του ESM και, στη συνέχεια, διαταράσσει επαναλαμβανόμενα τα δεδομένα εκπαίδευσης — αυξάνοντας απότομα τις εκπομπές CO2 το 2050, ας πούμε, ή μειώνοντας γρήγορα το μεθάνιο το 2037 — μέχρι να πέσει το σφάλμα του εξομοιωτή.
Τα συνθετικά σενάρια που προκύπτουν δεν μοιάζουν καθόλου με ομαλές τροχιές του πραγματικού κόσμου. "Με την εισαγωγή αυτών των κινήσεων και ταλαντώσεων υψηλής συχνότητας, τα δεδομένα μας επιτρέπουν στον εξομοιωτή να εξάγει πολλές περισσότερες πληροφορίες για το συνολικό σύστημα", είπε ο Womack. Η πρακτική ανταμοιβή είναι σημαντική: όπου η κατασκευή ενός σετ εκπαίδευσης κάποτε απαιτούσε να τρέξει ένα πλήρες ESM έξι έως οκτώ φορές, ένας χρήστης χρειάζεται τώρα ένα μόνο τρέξιμο.
Η επιτυχία της δοκιμής των παραδοσιακών μοντέλων απέτυχε
Οι ερευνητές αναφέρουν ότι ένας εξομοιωτής που εκπαιδεύτηκε με τη μέθοδό τους προέβλεψε με ακρίβεια τα αποτελέσματα σεναρίων που δεν είχε δει ποτέ κατά τη διάρκεια της εκπαίδευσης, ενώ οι παραδοσιακοί εξομοιωτές απέτυχαν να προσαρμοστούν. Σε μια δοκιμή που επισημάνθηκε από το MIT News, ο εξομοιωτής που έχει εκπαιδευτεί σε συνθετικά κατέγραψε σωστά τα αποτελέσματα μιας τοπικής πολιτικής ελέγχου ρύπων που μειώνει έναν ρύπο ενώ άλλες εκπομπές συνεχίζουν να αυξάνονται - μια περίπτωση όπου οι συμβατικά εκπαιδευμένοι εξομοιωτές που αξιολόγησαν απέτυχαν.
"Οι εξομοιωτές κλίματος είναι ιδιαίτερα κατάλληλοι για τη μοντελοποίηση σεναρίων που σχετίζονται με την πολιτική", δήλωσε ο Womack. "Χρησιμοποιώντας τη μέθοδό μας για τη δημιουργία βελτιστοποιημένων δεδομένων εκπαίδευσης για έναν εξομοιωτή, μπορούμε να επιταχύνουμε την παραγωγή πολύ πιο αξιόπιστων εξομοιωτών, ώστε να μπορούμε να εμπιστευόμαστε καλύτερα τα αποτελέσματα τους για τη λήψη αποφάσεων πολιτικής."
Η προσαρμοστικότητα έχει σημασία γιατί το μέλλον δεν θα μοιάζει με το σετ προπόνησης. «Στο μέλλον, σίγουρα θα δούμε κλίματα και σενάρια που δεν έχουμε ξαναδεί», είπε ο Σελίν. "Εάν μπορούμε να προσομοιώσουμε αυτά τα διαφορετικά σενάρια πιο σθεναρά, μπορούμε να παρέχουμε πιο αξιόπιστες πληροφορίες στους ενδιαφερόμενους που τις χρειάζονται."
Γιατί ο συγχρονισμός έχει σημασία
Η ανώτερη συγγραφέας Noelle Selin, καθηγήτρια στο Ινστιτούτο Δεδομένων, Συστημάτων και Κοινωνίας του MIT και του Τμήματος Γης, Ατμόσφαιρας και Πλανητών Επιστημών, και διευθύντρια του Κέντρου Επιστήμης και Στρατηγικής της Αειφορίας, πλαισίωσε το έργο ως μια λύση εφοδιαστικής αλυσίδας για τις ίδιες τις κλιματικές πληροφορίες. Επειδή η εκπαίδευση σε εξομοιωτές μπορεί να διαρκέσει μήνες ή χρόνια, τα εργαλεία που είναι διαθέσιμα στους σχεδιαστές είναι συχνά ξεπερασμένα. «Με τη μείωση αυτού του χρόνου παραγωγής, νομίζω ότι αυτή η τεχνική θα αλλάξει το παιχνίδι από την άποψη της μεταφοράς ενημερωμένων εργαλείων στα χέρια των ερευνητών και των επαγγελματιών», είπε.
Οι εφαρμογές εκτείνονται πολύ πέρα από τον ακαδημαϊκό χώρο: οι ενημερωμένες κλιματικές προβολές ενημερώνουν τις αποφάσεις σχετικά με την ανθεκτικότητα του ηλεκτρικού δικτύου, την προστασία της δημόσιας υγείας και τον αγροτικό σχεδιασμό. Η ομάδα περιελάμβανε επίσης τους Shahine Bouabid, Andrei Sokolov, Popat Salunke και Glenn Flierl του MIT και Sebastian D. Eastham του Imperial College του Λονδίνου. Ο επόμενος στόχος των ερευνητών είναι η επέκταση της τεχνικής, ώστε οι εξομοιωτές να παραμένουν ισχυροί καθώς ο πλανήτης εισέρχεται σε κλιματικές συνθήκες χωρίς ιστορικό προηγούμενο.
---
Μείνετε μπροστά από την τεχνητή νοημοσύνηΛάβετε τα πιο πρόσφατα νέα, αναλύσεις και ανακαλύψεις για την τεχνητή νοημοσύνη — όλα σε ένα μέρος.
Διαβάστε περισσότερα νέα AI →
