Peneliti MIT wis ngembangake teknik latihan sing ngasilake model iklim AI sing cepet lan bisa adaptasi nggunakake bagian sekedhik saka data sing biasane dibutuhake, langkah sing bisa nyuda wektu produksi alat kasebut saka sasi utawa taun nganti bisa digunakake kanggo keputusan kebijakan. Riset kasebut katon minggu iki ing Prosiding Akademi Ilmu Pengetahuan Nasional.
Model sing dimaksud yaiku emulator iklim: sistem pengganti AI kompak sing niru prilaku model sistem bumi skala lengkap (ESM). ESMs minangka workhorses ilmu iklim - simulasi adhedhasar fisika gedhe tenan sing project carane suhu, udan lan segara tingkat nanggepi emisi gas omah kaca - nanging skenario mangsa siji bisa njupuk sasi kanggo mbukak ing kluster superkomputer. Emulator, kanthi kontras, mlaku sajrone sawetara detik, ngidini para ilmuwan nguji ewonan skenario, nyelidiki efek regional lan polutan spesifik, lan menehi tandha asil intervensi kebijakan sing ora dikarepke. Kanggo liputan sing terus-terusan babagan peran AI sing terus berkembang ing ilmu, tututi [kabar riset AI] (https://aibuzzwire.news).
Masalah: data latihan nyata nggawe model rapuh
Nalika peneliti mbangun emulator iklim, dheweke biasane nglatih ing enem nganti wolung skenario emisi mangsa sing ngetutake lintasan sing nyata. Saben siji kudu mbukak liwat ESM lengkap kanggo gawé data latihan, kang ndadekake generasi dataset larang regane lan alon. Tim MIT sadurunge wis nemtokake mode kegagalan subtle: emulator sing dilatih ing skenario realistis bisa underperform nalika dijaluk kanggo prédhiksi kahanan sing ora pati ngerti utawa novel - persis kahanan sing kudu ditliti para pembuat kebijakan.
"Algoritma kita bisa uga ngasilake sawetara skenario aneh sing ora katon kaya masa depan sing realistis, nanging kita ora peduli yen skenario latihan kasebut nyata," ujare Christopher Womack PhD '26, saiki dadi postdoc ing ETH Zurich lan panulis utama kertas, ing MIT News. "Kita mung nyoba nggawe set data sing paling apik kanggo nglatih emulator."
Siji ESM mlaku tinimbang wolung
Teknik anyar ngowahi pipa biasa. Tinimbang ngrakit skenario realistis, algoritma ngasilake skenario sintetik sing dioptimalake kanggo ngoptimalake katrampilan prediksi emulator tartamtu. Proses kasebut diwiwiti kanthi skenario sewenang-wenang liwat model iklim sing cepet lan prasaja, ngukur sepira emulator ngasilake asil ESM lengkap, banjur ngganggu data latihan kanthi terus-terusan - mundhakake emisi CO2 kanthi cepet ing 2050, ujar, utawa ngethok metana kanthi cepet ing 2037 - nganti kesalahan ambang emulator mudhun.
Skenario sintetik sing diasilake ora katon kaya lintasan nyata sing mulus. "Kanthi ngenalake wiggles lan osilasi frekuensi dhuwur iki, data kita ngidini emulator bisa ngekstrak informasi luwih akeh babagan sistem sakabèhé," ujare Womack. Pembayaran praktis cukup gedhe: ing ngendi mbangun set latihan yen kudu nganggo ESM lengkap kaping enem nganti wolung, pangguna saiki butuh siji.
Lulus tes model tradisional gagal
Peneliti nglaporake manawa emulator sing dilatih kanthi metode kasebut kanthi akurat prédhiksi asil saka skenario sing durung nate dideleng sajrone latihan, dene emulator tradisional gagal adaptasi. Ing salah sawijining tes sing disorot dening MIT News, emulator sing dilatih sintetik kanthi bener nangkep efek saka kabijakan kontrol polutan lokal sing nyuda siji polutan nalika emisi liyane terus mundhak - kasus nalika emulator sing dilatih kanthi konvensional gagal.
"Emulator iklim utamané cocok kanggo modeling skenario sing relevan karo kebijakan," ujare Womack. "Kanthi nggunakake cara kanggo ngasilake data latihan sing dioptimalake kanggo emulator, kita bisa nyepetake produksi emulator sing luwih dipercaya, supaya kita bisa luwih percaya marang asile kanggo nggawe keputusan kebijakan."
Kemampuan adaptasi penting amarga masa depan ora kaya set latihan. "Ing mangsa ngarep, kita mesthi bakal ndeleng iklim lan skenario sing durung dideleng sadurunge," ujare Selin. "Yen kita bisa simulasi skenario sing beda-beda iki kanthi luwih kuat, kita bisa nyedhiyakake informasi sing luwih dipercaya kanggo para pemangku kepentingan sing mbutuhake."
Napa wektu penting
Penulis senior Noelle Selin, profesor ing Institut Data, Sistem, lan Masyarakat MIT lan Departemen Bumi, Ilmu Atmosfer lan Planetary, lan direktur Pusat Ilmu lan Strategi Kelestarian, nggawe karya kasebut minangka perbaikan rantai pasokan kanggo informasi iklim dhewe. Amarga latihan emulator bisa njupuk pirang-pirang wulan utawa taun, alat sing kasedhiya kanggo para perencana asring ketinggalan jaman. "Kanthi nyuda wektu produksi kasebut, aku mikir teknik iki bakal dadi game-changer babagan entuk alat sing dianyari menyang tangan peneliti lan praktisi," ujare.
Aplikasi kasebut ngluwihi akademisi: proyeksi iklim sing paling anyar ngandhani keputusan babagan ketahanan jaringan listrik, perlindungan kesehatan masyarakat lan perencanaan pertanian. Tim kasebut uga kalebu Shahine Bouabid, Andrei Sokolov, Popat Salunke lan Glenn Flierl saka MIT, lan Sebastian D. Eastham saka Imperial College London. Target sabanjure peneliti yaiku ngembangake teknik kasebut supaya emulator tetep kuwat amarga planet kasebut mlebu kahanan iklim tanpa preseden sejarah.
---
Tetep Ahead of AIEntuk warta, analisis, lan terobosan AI paling anyar - kabeh ing sak panggonan.
Waca liyane AI warta →
