MITの研究者らは、通常必要とされるデータの一部を使用して、高速で適応性のあるAI気候モデルを作成するトレーニング技術を開発した。これにより、これらのツールの作成時間が数か月から数年に短縮され、政策決定にはるかに役立つものになる可能性があると研究者らは述べている。この研究は今週、米国科学アカデミー紀要に掲載される。

問題のモデルは気候エミュレータ、つまり実物大の地球システム モデル (ESM) の動作を模倣するコンパクトな AI 代理システムです。 ESM は気候科学の主力であり、気温、降水量、海面が温室効果ガス排出にどのように反応するかを予測する物理ベースの巨大なシミュレーションです。しかし、単一の将来シナリオをスーパーコンピューターのクラスターで実行するには数か月かかる場合があります。対照的に、エミュレータは数秒で実行できるため、科学者は何千ものシナリオをテストし、地域への影響や特定の汚染物質を調査し、政策介入の予期せぬ結果にフラグを立てることができます。科学における AI の役割拡大に関する継続的な報道については、AI 研究ニュース をご覧ください。

問題: 現実的なトレーニング データがモデルを脆弱にする

研究者が気候エミュレータを構築する場合、通常、現実的な軌道に従う 6 ～ 8 つの将来の排出シナリオに基づいてそれをトレーニングします。トレーニング データを生成するには、それぞれを完全な ESM で実行する必要があるため、データセットの生成にコストがかかり、時間がかかります。 MIT チームは以前、微妙な失敗モードを特定していました。それは、現実的なシナリオに基づいて訓練されたエミュレータは、不慣れな状況や斬新な状況を予測するように求められた場合にパフォーマンスが低下する可能性があるということであり、まさに政策立案者がますます調査する必要がある状況です。

「私たちのアルゴリズムは、現実的な未来とはまったく似ていない奇妙なシナリオを生成するかもしれませんが、トレーニングシナリオが現実的かどうかはそれほど気にしません」と、現在ETHチューリッヒの博士研究員で論文の筆頭著者であるChristopher Womack PhD '26はMIT Newsで述べた。 「私たちはエミュレーターをトレーニングするために可能な限り最高のデータセットを作成しようとしているだけです。」

ESM は 8 回ではなく 1 回実行されます

新しい技術は、通常のパイプラインを逆転させます。現実的なシナリオを組み立てる代わりに、アルゴリズムは特定のエミュレータの予測スキルを最大化するように調整された最適化された合成シナリオを生成します。このプロセスは、高速でシンプルな気候モデルを介して任意のシナリオを実行することから始まり、エミュレータが完全な ESM 結果をどの程度再現するかを測定し、その後、エミュレータの誤差がしきい値を下回るまで、トレーニング データを反復的に摂動します (たとえば、2050 年に CO2 排出量を急激に増加させる、または 2037 年にメタンを急速に削減するなど)。

結果として得られる合成シナリオは、現実世界の滑らかな軌跡とはまったく異なります。 「これらの高周波の揺れや振動を導入することで、私たちのデータにより、エミュレータはシステム全体についてより多くの情報を抽出できるようになります」とウーマック氏は述べています。実際の効果は大きく、かつてはトレーニング セットを構築するには完全な ESM を 6 ～ 8 回実行する必要がありましたが、現在では 1 回の実行で済みます。

テストに合格 従来のモデルは不合格

研究者らは、彼らの方法で訓練されたエミュレータは、訓練中に見たことのないシナリオの結果を正確に予測したが、従来のエミュレータは適応できなかったと報告している。 MIT ニュースで取り上げられたテストの 1 つでは、合成でトレーニングされたエミュレーターが、1 つの汚染物質を削減する一方、他の排出量が増加し続けるという地域の汚染物質管理政策の効果を正確に捉えました。これは、彼らが評価した従来の方法でトレーニングされたエミュレーターが失敗したケースです。

「気候エミュレータは、政策関連のシナリオをモデル化するのに特に適しています」とウーマック氏は言う。 「私たちの方法を使用してエミュレータ用に最適化されたトレーニング データを生成することで、より信頼性の高いエミュレータの作成をスピードアップできるため、ポリシー決定を行う際にエミュレータの出力をより信頼できるようになります。」

未来は訓練セットとは似ていないため、適応性が重要です。 「将来的には、これまで見たことのない気候やシナリオが確実に現れるだろう」とセリン氏は語った。 「これらのさまざまなシナリオをより堅牢にシミュレーションできれば、より信頼できる情報を必要とする関係者に提供できるようになります。」

なぜタイミングが重要なのか

マサチューセッツ工科大学データ・システム・社会研究所および地球・大気・惑星科学部門の教授であり、持続可能性科学戦略センター所長である主著者のノエル・セリン氏は、この研究を気候情報自体のサプライチェーン修正として枠組み化した。エミュレータのトレーニングには数か月から数年かかる場合があるため、プランナーが利用できるツールは最新でないことがよくあります。 「制作時間を短縮することで、この技術は、最新のツールを研究者や実務者の手に届けるという点で、革新的な技術になると思います」と彼女は語った。

その応用例は学術界をはるかに超えており、最新の気候予測は送電網の回復力、公衆衛生の保護、農業計画に関する決定に情報を提供します。チームには、MIT の Shahine Bouabid 氏、Andrei Sokolov 氏、Popat Salunke 氏、Glenn Flierl 氏、およびインペリアル カレッジ ロンドンの Sebastian D. Eastham 氏も含まれていました。研究者の次の目標は、地球が歴史的に前例のない気候条件に突入してもエミュレータが堅牢な状態を維持できるように技術を拡張することだ。

---

AI の先を行く

最新の AI ニュース、分析、画期的な情報をすべて 1 か所で入手できます。

AI ニュースをもっと読む→