I ricercatori del MIT hanno sviluppato una tecnica di formazione che produce modelli climatici AI rapidi e adattabili utilizzando una frazione dei dati normalmente richiesti, un passo che secondo loro potrebbe ridurre i tempi di produzione di questi strumenti da mesi o anni a qualcosa di molto più utilizzabile per le decisioni politiche. La ricerca appare questa settimana negli Atti della National Academy of Sciences.

I modelli in questione sono emulatori del clima: sistemi compatti surrogati di intelligenza artificiale che imitano il comportamento dei modelli del sistema terrestre su larga scala (ESM). Gli ESM sono i cavalli di battaglia della scienza del clima – enormi simulazioni basate sulla fisica che proiettano come le temperature, le precipitazioni e il livello del mare rispondono alle emissioni di gas serra – ma un singolo scenario futuro può richiedere mesi per essere eseguito su un cluster di supercomputer. Gli emulatori, al contrario, funzionano in pochi secondi, consentendo agli scienziati di testare migliaia di scenari, sondare gli effetti regionali e inquinanti specifici e segnalare risultati inaspettati degli interventi politici. Per una copertura continua del ruolo in espansione dell'IA nella scienza, segui le nostre notizie sulla ricerca sull'intelligenza artificiale.

Il problema: dati di addestramento realistici rendono i modelli fragili

Quando i ricercatori costruiscono un emulatore climatico, in genere lo addestrano su sei-otto scenari futuri di emissione che seguono traiettorie realistiche. Ciascuno deve essere sottoposto a un ESM completo per produrre dati di addestramento, il che rende la generazione di set di dati costosa e lenta. Il team del MIT aveva precedentemente identificato una sottile modalità di fallimento: gli emulatori addestrati su scenari realistici possono sottoperformare quando viene chiesto di prevedere situazioni non familiari o nuove, esattamente le situazioni che i politici hanno sempre più bisogno di esplorare.

"Il nostro algoritmo potrebbe generare alcuni scenari strani che non assomigliano per niente a un futuro realistico, ma non ci interessa molto se gli scenari di formazione sono realistici", ha detto Christopher Womack PhD '26, ora postdoc all'ETH di Zurigo e autore principale dell'articolo, in MIT News. "Stiamo solo cercando di creare il miglior set di dati possibile per addestrare un emulatore."

Un MES invece di otto

La nuova tecnica inverte la consueta pipeline. Invece di assemblare scenari realistici, un algoritmo genera scenari sintetici ottimizzati su misura per massimizzare la capacità predittiva di uno specifico emulatore. Il processo inizia con uno scenario arbitrario eseguito attraverso un modello climatico semplice e veloce, misura quanto bene l’emulatore riproduce i risultati completi dell’ESM, quindi perturba iterativamente i dati di addestramento – aumentando drasticamente le emissioni di CO2 nel 2050, ad esempio, o riducendo rapidamente il metano nel 2037 – finché l’errore dell’emulatore non scende al di sotto di una soglia.

Gli scenari sintetici risultanti non assomigliano affatto alle traiettorie fluide del mondo reale. "Introducendo queste oscillazioni e oscillazioni ad alta frequenza, i nostri dati consentono all'emulatore di estrarre molte più informazioni sul sistema complessivo", ha affermato Womack. Il vantaggio pratico è sostanziale: laddove la creazione di un set di formazione una volta richiedeva l’esecuzione di un ESM completo da sei a otto volte, ora un utente ha bisogno di una singola esecuzione.

Il test dei modelli tradizionali è fallito

I ricercatori riferiscono che un emulatore addestrato con il loro metodo ha previsto con precisione i risultati di scenari che non aveva mai visto durante l’addestramento, mentre gli emulatori tradizionali non sono riusciti ad adattarsi. In un test evidenziato da MIT News, l’emulatore addestrato sinteticamente ha catturato correttamente gli effetti di una politica locale di controllo degli inquinanti che riduce un inquinante mentre le altre emissioni continuano ad aumentare – un caso in cui gli emulatori addestrati convenzionalmente da loro valutati hanno fallito.

"Gli emulatori climatici sono particolarmente adatti per modellare scenari rilevanti per la politica", ha affermato Womack. "Utilizzando il nostro metodo per generare dati di addestramento ottimizzati per un emulatore, possiamo accelerare la produzione di emulatori molto più affidabili, in modo da poterci fidare maggiormente dei loro risultati per prendere decisioni politiche."

L'adattabilità è importante perché il futuro non assomiglierà al set di formazione. "In futuro vedremo sicuramente climi e scenari che non abbiamo mai visto prima", ha detto Selin. "Se riusciamo a simulare questi diversi scenari in modo più efficace, possiamo fornire informazioni più affidabili alle parti interessate che ne hanno bisogno."

Perché il tempismo è importante

L'autrice senior Noelle Selin, professoressa presso l'Institute for Data, Systems, and Society del MIT e il Dipartimento di Scienze della Terra, dell'atmosfera e del pianeta, e direttrice del Center for Sustainability Science and Strategy, ha inquadrato il lavoro come una soluzione alla catena di approvvigionamento per le stesse informazioni sul clima. Poiché la formazione dell'emulatore può richiedere mesi o anni, gli strumenti a disposizione dei pianificatori sono spesso obsoleti. "Riducendo i tempi di produzione, penso che questa tecnica rappresenterà un punto di svolta in termini di messa a disposizione di strumenti aggiornati nelle mani di ricercatori e professionisti", ha affermato.

Le applicazioni si estendono ben oltre il mondo accademico: proiezioni climatiche aggiornate informano le decisioni sulla resilienza della rete elettrica, sulla protezione della salute pubblica e sulla pianificazione agricola. Il team comprendeva anche Shahine Bouabid, Andrei Sokolov, Popat Salunke e Glenn Flierl del MIT e Sebastian D. Eastham dell'Imperial College di Londra. Il prossimo obiettivo dei ricercatori è estendere la tecnica in modo che gli emulatori rimangano robusti mentre il pianeta entra in condizioni climatiche senza precedenti storici.

---

Stai al passo con l'intelligenza artificiale

Ricevi le ultime notizie, analisi e scoperte sull'intelligenza artificiale, tutto in un unico posto.

Leggi altre notizie sull'AI →