एमआईटी शोधकर्ताओं ने एक प्रशिक्षण तकनीक विकसित की है जो सामान्य रूप से आवश्यक डेटा के एक अंश का उपयोग करके तेज़, अनुकूलनीय एआई जलवायु मॉडल तैयार करती है, उनका कहना है कि एक कदम इन उपकरणों के उत्पादन समय को महीनों या वर्षों से घटाकर नीतिगत निर्णयों के लिए कहीं अधिक उपयोगी बना सकता है। यह शोध इस सप्ताह नेशनल एकेडमी ऑफ साइंसेज की कार्यवाही में दिखाई देता है।

विचाराधीन मॉडल जलवायु अनुकरणकर्ता हैं: कॉम्पैक्ट एआई सरोगेट सिस्टम जो पूर्ण पैमाने पर पृथ्वी प्रणाली मॉडल (ईएसएम) के व्यवहार की नकल करते हैं। ईएसएम जलवायु विज्ञान के वर्कहॉर्स हैं - विशाल भौतिकी-आधारित सिमुलेशन जो प्रोजेक्ट करते हैं कि तापमान, वर्षा और समुद्र का स्तर ग्रीनहाउस गैस उत्सर्जन पर कैसे प्रतिक्रिया करते हैं - लेकिन भविष्य के एक भी परिदृश्य को सुपर कंप्यूटर के समूह पर चलने में महीनों लग सकते हैं। इसके विपरीत, एमुलेटर कुछ ही सेकंड में चलते हैं, जिससे वैज्ञानिकों को हजारों परिदृश्यों का परीक्षण करने, क्षेत्रीय प्रभावों और विशिष्ट प्रदूषकों की जांच करने और नीतिगत हस्तक्षेपों के अप्रत्याशित परिणामों को चिह्नित करने की सुविधा मिलती है। विज्ञान में एआई की बढ़ती भूमिका के निरंतर कवरेज के लिए, हमारे [एआई शोध समाचार] (https://aibuzzwire.news) का अनुसरण करें।

समस्या: यथार्थवादी प्रशिक्षण डेटा नाजुक मॉडल बनाता है

जब शोधकर्ता एक जलवायु एमुलेटर का निर्माण करते हैं, तो वे आम तौर पर इसे छह से आठ भविष्य के उत्सर्जन परिदृश्यों पर प्रशिक्षित करते हैं जो यथार्थवादी प्रक्षेपवक्र का पालन करते हैं। प्रशिक्षण डेटा तैयार करने के लिए प्रत्येक को पूर्ण ईएसएम के माध्यम से चलाया जाना चाहिए, जिससे डेटासेट निर्माण महंगा और धीमा हो जाता है। एमआईटी टीम ने पहले एक सूक्ष्म विफलता मोड की पहचान की थी: यथार्थवादी परिदृश्यों पर प्रशिक्षित एमुलेटर अपरिचित या उपन्यास स्थितियों की भविष्यवाणी करने के लिए पूछे जाने पर खराब प्रदर्शन कर सकते हैं - बिल्कुल वही स्थितियाँ जिन्हें नीति निर्माताओं को तेजी से तलाशने की आवश्यकता है।

क्रिस्टोफर वोमैक पीएचडी '26, जो अब ईटीएच ज्यूरिख में पोस्टडॉक और पेपर के मुख्य लेखक हैं, ने एमआईटी न्यूज में कहा, "हमारा एल्गोरिदम कुछ अजीब परिदृश्य उत्पन्न कर सकता है जो यथार्थवादी भविष्य की तरह नहीं दिखता है, लेकिन अगर प्रशिक्षण परिदृश्य यथार्थवादी हैं तो हमें इसकी ज्यादा परवाह नहीं है।" "हम सिर्फ एक एमुलेटर को प्रशिक्षित करने के लिए सर्वोत्तम संभव डेटासेट बनाने की कोशिश कर रहे हैं।"

आठ के बजाय एक ईएसएम चलाया गया

नई तकनीक सामान्य पाइपलाइन को उलट देती है। यथार्थवादी परिदृश्यों को इकट्ठा करने के बजाय, एक एल्गोरिदम एक विशिष्ट एमुलेटर के पूर्वानुमान कौशल को अधिकतम करने के लिए अनुकूलित सिंथेटिक परिदृश्य उत्पन्न करता है। प्रक्रिया एक तेज़, सरल जलवायु मॉडल के माध्यम से चलने वाले एक मनमाने परिदृश्य से शुरू होती है, यह मापती है कि एमुलेटर पूर्ण ईएसएम के परिणामों को कितनी अच्छी तरह से पुन: पेश करता है, फिर प्रशिक्षण डेटा को पुनरावृत्त रूप से परेशान करता है - 2050 में तेजी से CO2 उत्सर्जन बढ़ाना, या 2037 में तेजी से मीथेन में कटौती करना - जब तक कि एमुलेटर की त्रुटि एक सीमा से नीचे नहीं आ जाती।

परिणामी सिंथेटिक परिदृश्य वास्तविक दुनिया के सहज प्रक्षेप पथों की तरह कुछ भी नहीं दिखते हैं। वोमैक ने कहा, "इन उच्च-आवृत्ति विगल्स और दोलनों को पेश करके, हमारा डेटा एमुलेटर को समग्र सिस्टम के बारे में बहुत अधिक जानकारी निकालने में सक्षम बनाता है।" व्यावहारिक लाभ पर्याप्त है: जहां एक प्रशिक्षण सेट बनाने के लिए एक बार पूर्ण ईएसएम को छह से आठ बार चलाने की आवश्यकता होती है, वहीं अब उपयोगकर्ता को एक बार चलाने की आवश्यकता होती है।

पारंपरिक मॉडल परीक्षण में उत्तीर्ण होने में विफल रहे

शोधकर्ताओं की रिपोर्ट है कि उनकी पद्धति से प्रशिक्षित एक एमुलेटर उन परिदृश्यों के परिणामों की सटीक भविष्यवाणी करता है जो उसने प्रशिक्षण के दौरान कभी नहीं देखे थे, जबकि पारंपरिक एमुलेटर अनुकूलन करने में विफल रहे। एमआईटी न्यूज़ द्वारा हाइलाइट किए गए एक परीक्षण में, सिंथेटिक-प्रशिक्षित एमुलेटर ने स्थानीय प्रदूषक-नियंत्रण नीति के प्रभावों को सही ढंग से पकड़ लिया, जो एक प्रदूषक को कम करता है जबकि अन्य उत्सर्जन में वृद्धि जारी रहती है - एक ऐसा मामला जहां पारंपरिक रूप से प्रशिक्षित एमुलेटर का मूल्यांकन विफल रहा।

वोमैक ने कहा, "जलवायु अनुकरणकर्ता विशेष रूप से नीति-प्रासंगिक परिदृश्यों के मॉडलिंग के लिए उपयुक्त हैं।" "एक एमुलेटर के लिए अनुकूलित प्रशिक्षण डेटा उत्पन्न करने के लिए हमारी पद्धति का उपयोग करके, हम अधिक विश्वसनीय एमुलेटर के उत्पादन में तेजी ला सकते हैं, ताकि हम नीतिगत निर्णय लेने के लिए उनके आउटपुट पर बेहतर भरोसा कर सकें।"

अनुकूलनशीलता मायने रखती है क्योंकि भविष्य प्रशिक्षण सेट जैसा नहीं होगा। सेलिन ने कहा, "भविष्य में, हम निश्चित रूप से जलवायु और परिदृश्य देखने जा रहे हैं जो हमने पहले नहीं देखे हैं।" "अगर हम इन विभिन्न परिदृश्यों का अधिक मजबूती से अनुकरण कर सकते हैं, तो हम उन हितधारकों को अधिक विश्वसनीय जानकारी प्रदान कर सकते हैं जिन्हें इसकी आवश्यकता है।"

समय क्यों मायने रखता है

वरिष्ठ लेखिका नोएल सेलिन, एमआईटी के इंस्टीट्यूट फॉर डेटा, सिस्टम्स एंड सोसाइटी और पृथ्वी, वायुमंडलीय और ग्रह विज्ञान विभाग में प्रोफेसर और सेंटर फॉर सस्टेनेबिलिटी साइंस एंड स्ट्रैटेजी के निदेशक ने इस काम को जलवायु जानकारी के लिए आपूर्ति-श्रृंखला फिक्स के रूप में तैयार किया। क्योंकि एम्यूलेटर प्रशिक्षण में महीनों या वर्षों का समय लग सकता है, योजनाकारों के लिए उपलब्ध उपकरण अक्सर पुराने हो चुके होते हैं। "उस उत्पादन समय में कटौती करके, मुझे लगता है कि यह तकनीक शोधकर्ताओं और चिकित्सकों के हाथों में अद्यतन उपकरण प्राप्त करने के मामले में गेम-चेंजर होगी," उन्होंने कहा।

अनुप्रयोग शिक्षा क्षेत्र से कहीं आगे तक फैले हुए हैं: अद्यतन जलवायु अनुमान पावर-ग्रिड लचीलेपन, सार्वजनिक स्वास्थ्य सुरक्षा और कृषि योजना पर निर्णयों की जानकारी देते हैं। टीम में एमआईटी के शाहीन बाउबिद, आंद्रेई सोकोलोव, पोपट सालुंके और ग्लेन फ्लियरल और इंपीरियल कॉलेज लंदन के सेबेस्टियन डी. ईस्टम भी शामिल थे। शोधकर्ताओं का अगला लक्ष्य तकनीक का विस्तार करना है ताकि जब ग्रह बिना किसी ऐतिहासिक मिसाल के जलवायु परिस्थितियों में प्रवेश कर रहा हो तो एमुलेटर मजबूत बने रहें।

---

एआई से आगे रहें

नवीनतम एआई समाचार, विश्लेषण और सफलताएँ प्राप्त करें - सभी एक ही स्थान पर।

अधिक AI समाचार पढ़ें →