Para peneliti MIT telah mengembangkan teknik pelatihan yang menghasilkan model iklim AI yang cepat dan mudah beradaptasi dengan menggunakan sebagian kecil dari data yang biasanya dibutuhkan. Sebuah langkah yang menurut mereka dapat memangkas waktu produksi alat-alat ini dari hitungan bulan atau tahun menjadi sesuatu yang jauh lebih berguna untuk pengambilan keputusan kebijakan. Penelitian ini muncul minggu ini di Proceedings of the National Academy of Sciences.
Model yang dimaksud adalah emulator iklim: sistem pengganti AI kompak yang meniru perilaku model sistem bumi (ESM) skala penuh. ESM adalah landasan ilmu iklim – simulasi besar berbasis fisika yang memproyeksikan bagaimana suhu, curah hujan, dan permukaan laut merespons emisi gas rumah kaca – namun satu skenario masa depan dapat memakan waktu berbulan-bulan untuk dijalankan pada sekelompok superkomputer. Sebaliknya, emulator berjalan dalam hitungan detik, memungkinkan para ilmuwan menguji ribuan skenario, menyelidiki dampak regional dan polutan tertentu, serta menandai hasil intervensi kebijakan yang tidak terduga. Untuk liputan berkelanjutan mengenai perluasan peran AI dalam sains, ikuti berita penelitian AI.
Masalahnya: data pelatihan yang realistis membuat model menjadi rapuh
Saat peneliti membuat emulator iklim, mereka biasanya melatihnya berdasarkan enam hingga delapan skenario emisi masa depan yang mengikuti lintasan realistis. Masing-masing harus dijalankan melalui ESM lengkap untuk menghasilkan data pelatihan, yang membuat pembuatan kumpulan data menjadi mahal dan lambat. Tim MIT sebelumnya telah mengidentifikasi mode kegagalan yang tidak kentara: emulator yang dilatih dengan skenario realistis dapat berkinerja buruk ketika diminta untuk memprediksi situasi yang tidak biasa atau baru – tepatnya situasi yang perlu dieksplorasi oleh pembuat kebijakan.
“Algoritme kami mungkin menghasilkan beberapa skenario aneh yang tidak terlihat seperti masa depan yang realistis, namun kami tidak terlalu peduli jika skenario pelatihan itu realistis,” kata Christopher Womack PhD '26, yang sekarang menjadi postdoc di ETH Zurich dan penulis utama makalah tersebut, di MIT News. "Kami hanya mencoba membuat kumpulan data terbaik untuk melatih emulator."
Satu ESM dijalankan, bukan delapan
Teknik baru ini membalikkan alur pipa yang biasa. Alih-alih menyusun skenario realistis, algoritme menghasilkan skenario sintetik yang dioptimalkan dan disesuaikan untuk memaksimalkan keterampilan prediktif emulator tertentu. Prosesnya dimulai dengan menjalankan skenario sewenang-wenang melalui model iklim yang cepat dan sederhana, mengukur seberapa baik emulator mereproduksi hasil ESM secara penuh, kemudian secara berulang mengganggu data pelatihan — misalnya meningkatkan emisi CO2 secara tajam pada tahun 2050, atau mengurangi gas metana dengan cepat pada tahun 2037 — hingga error emulator turun di bawah ambang batas.
Skenario sintetik yang dihasilkan tidak seperti lintasan mulus di dunia nyata. “Dengan memperkenalkan goyangan dan osilasi frekuensi tinggi ini, data kami memungkinkan emulator mengekstrak lebih banyak informasi tentang keseluruhan sistem,” kata Womack. Manfaat praktisnya sangat besar: jika sebelumnya membangun set pelatihan memerlukan pengoperasian ESM penuh enam hingga delapan kali, kini pengguna memerlukan satu kali pengoperasian.
Lulus tes model tradisional gagal
Para peneliti melaporkan bahwa emulator yang dilatih dengan metode mereka secara akurat memprediksi hasil dari skenario yang belum pernah terlihat selama pelatihan, sementara emulator tradisional gagal beradaptasi. Dalam satu pengujian yang disorot oleh MIT News, emulator yang dilatih secara sintetis dengan tepat menangkap dampak dari kebijakan pengendalian polutan lokal yang mengurangi satu polutan sementara emisi lainnya terus meningkat — sebuah kasus di mana emulator yang dilatih secara konvensional yang mereka evaluasi gagal.
“Emulator iklim sangat cocok untuk memodelkan skenario yang relevan dengan kebijakan,” kata Womack. “Dengan menggunakan metode kami untuk menghasilkan data pelatihan yang dioptimalkan untuk sebuah emulator, kami dapat mempercepat produksi emulator yang jauh lebih andal, sehingga kami dapat lebih memercayai keluarannya untuk mengambil keputusan kebijakan.”
Kemampuan beradaptasi penting karena masa depan tidak akan menyerupai rangkaian pelatihan. “Di masa depan, kita pasti akan melihat iklim dan skenario yang belum pernah kita lihat sebelumnya,” kata Selin. “Jika kami dapat melakukan simulasi berbagai skenario ini dengan lebih baik, kami dapat memberikan informasi yang lebih andal kepada para pemangku kepentingan yang memerlukannya.”
Mengapa waktu itu penting
Penulis senior Noelle Selin, seorang profesor di Institut Data, Sistem, dan Masyarakat MIT dan Departemen Ilmu Bumi, Atmosfer dan Planet, dan direktur Pusat Sains dan Strategi Keberlanjutan, menggambarkan penelitian ini sebagai perbaikan rantai pasokan untuk informasi iklim itu sendiri. Karena pelatihan emulator dapat memakan waktu berbulan-bulan atau bertahun-tahun, alat yang tersedia bagi para perencana sering kali sudah ketinggalan zaman. “Dengan mempersingkat waktu produksi, saya pikir teknik ini akan menjadi terobosan dalam hal memberikan alat-alat terbaru ke tangan para peneliti dan praktisi,” katanya.
Penerapannya jauh melampaui bidang akademis: proyeksi iklim terkini memberikan informasi dalam pengambilan keputusan mengenai ketahanan jaringan listrik, perlindungan kesehatan masyarakat, dan perencanaan pertanian. Tim tersebut juga termasuk Shahine Bouabid, Andrei Sokolov, Popat Salunke dan Glenn Flierl dari MIT, dan Sebastian D. Eastham dari Imperial College London. Target para peneliti berikutnya adalah memperluas teknik ini sehingga emulator tetap kuat ketika planet ini memasuki kondisi iklim yang belum pernah terjadi sebelumnya.
---
Tetap Terdepan dalam AIDapatkan berita, analisis, dan terobosan AI terkini — semuanya di satu tempat.
Baca berita AI selengkapnya →
