MIT संशोधकांनी एक प्रशिक्षण तंत्र विकसित केले आहे जे सामान्यतः आवश्यक असलेल्या डेटाचा एक अंश वापरून जलद, अनुकूल AI हवामान मॉडेल तयार करते, त्यांच्या मते या साधनांचा उत्पादन वेळ काही महिन्यांपासून किंवा वर्षांपेक्षा कमी करून धोरण निर्णयांसाठी अधिक वापरण्यायोग्य असू शकतो. हे संशोधन या आठवड्यात प्रोसिडिंग्स ऑफ द नॅशनल अकॅडमी ऑफ सायन्सेसमध्ये दिसून आले आहे.

प्रश्नातील मॉडेल्स हवामान अनुकरणकर्ते आहेत: कॉम्पॅक्ट एआय सरोगेट सिस्टम जे फुल-स्केल अर्थ सिस्टम मॉडेल्स (ESMs) च्या वर्तनाची नक्कल करतात. ESMs हे हवामान विज्ञानाचे वर्कहॉर्स आहेत — प्रचंड भौतिकशास्त्र-आधारित सिम्युलेशन जे तापमान, पर्जन्य आणि समुद्र पातळी ग्रीनहाऊस गॅस उत्सर्जनाला कसा प्रतिसाद देतात हे प्रक्षेपित करतात — परंतु भविष्यातील एकल परिस्थिती सुपरकॉम्प्युटरच्या क्लस्टरवर चालण्यास काही महिने लागू शकतात. याउलट, अनुकरणकर्ते, सेकंदात धावतात, शास्त्रज्ञांना हजारो परिस्थिती तपासू देतात, प्रादेशिक प्रभाव आणि विशिष्ट प्रदूषकांची तपासणी करतात आणि धोरणात्मक हस्तक्षेपांचे अनपेक्षित परिणाम ध्वजांकित करतात. विज्ञानातील AI च्या विस्तारित भूमिकेच्या सतत कव्हरेजसाठी, आमच्या AI संशोधन बातम्या फॉलो करा.

समस्या: वास्तववादी प्रशिक्षण डेटा नाजूक मॉडेल बनवते

जेव्हा संशोधक हवामान इम्युलेटर तयार करतात, तेव्हा ते सामान्यतः सहा ते आठ भविष्यातील उत्सर्जन परिस्थितीवर प्रशिक्षित करतात जे वास्तववादी मार्गांचे अनुसरण करतात. प्रशिक्षण डेटा तयार करण्यासाठी प्रत्येकाला संपूर्ण ESM द्वारे चालवले जाणे आवश्यक आहे, जे डेटासेट निर्मिती महाग आणि धीमे करते. एमआयटी टीमने याआधी एक सूक्ष्म अपयश मोड ओळखला होता: वास्तववादी परिस्थितींवर प्रशिक्षित अनुकरणकर्ते अपरिचित किंवा नवीन परिस्थितीचा अंदाज वर्तविण्यास सांगितल्यास ते कमी कामगिरी करू शकतात - नेमकी ज्या परिस्थिती धोरणकर्त्यांना अधिकाधिक एक्सप्लोर करणे आवश्यक आहे.

"आमचे अल्गोरिदम काही विचित्र परिस्थिती निर्माण करू शकते जे वास्तववादी भविष्यासारखे दिसत नाही, परंतु प्रशिक्षण परिस्थिती वास्तववादी असल्यास आम्हाला फारशी काळजी नाही," ख्रिस्तोफर वोमॅक पीएचडी '26, जे आता ETH झुरिच येथे पोस्टडॉक आहेत आणि MIT न्यूजमध्ये पेपरचे प्रमुख लेखक आहेत. "आम्ही एमुलेटरला प्रशिक्षित करण्यासाठी सर्वोत्तम संभाव्य डेटासेट बनवण्याचा प्रयत्न करत आहोत."

आठ ऐवजी एक ESM चालवा

नवीन तंत्र नेहमीच्या पाइपलाइनला उलटते. वास्तववादी परिस्थिती एकत्रित करण्याऐवजी, एक अल्गोरिदम विशिष्ट एमुलेटरच्या भविष्यसूचक कौशल्याची जास्तीत जास्त वाढ करण्यासाठी अनुकूल सिंथेटिक परिस्थिती निर्माण करतो. प्रक्रिया जलद, सोप्या हवामान मॉडेलद्वारे चालवल्या जाणाऱ्या अनियंत्रित परिस्थितीसह सुरू होते, एमुलेटर पूर्ण ESM चे परिणाम किती चांगल्या प्रकारे पुनरुत्पादित करते हे मोजते, त्यानंतर प्रशिक्षण डेटा पुनरावृत्ती करते — 2050 मध्ये CO2 उत्सर्जन झपाट्याने वाढवणे, म्हणा किंवा 2037 मध्ये मिथेन वेगाने कमी करणे — एररच्या खाली येईपर्यंत.

परिणामी सिंथेटिक परिस्थिती गुळगुळीत वास्तविक-जगातील मार्गांसारखे काहीही दिसत नाही. "हे उच्च-फ्रिक्वेंसी वळवळ आणि दोलनांचा परिचय करून, आमचा डेटा एमुलेटरला संपूर्ण प्रणालीबद्दल अधिक माहिती काढण्यास सक्षम करतो," वोमॅक म्हणाले. व्यावहारिक मोबदला भरीव आहे: जेथे प्रशिक्षण संच तयार करण्यासाठी एकदा पूर्ण ESM सहा ते आठ वेळा चालवणे आवश्यक होते, तेव्हा वापरकर्त्याला आता एकच धावणे आवश्यक आहे.

चाचणी उत्तीर्ण पारंपारिक मॉडेल अयशस्वी

संशोधकांनी अहवाल दिला आहे की त्यांच्या पद्धतीद्वारे प्रशिक्षित एमुलेटरने प्रशिक्षणादरम्यान कधीही न पाहिलेल्या परिस्थितीच्या परिणामांचा अचूक अंदाज लावला, तर पारंपारिक अनुकरणकर्ते परिस्थितीशी जुळवून घेण्यात अयशस्वी झाले. एमआयटी न्यूजने हायलाइट केलेल्या एका चाचणीमध्ये, सिंथेटिक-प्रशिक्षित एमुलेटरने स्थानिक प्रदूषक-नियंत्रण धोरणाचे परिणाम योग्यरित्या कॅप्चर केले ज्यामुळे एक प्रदूषक कमी होतो तर इतर उत्सर्जन वाढतच राहते - अशी परिस्थिती जिथे त्यांनी मूल्यमापन केलेले पारंपारिकरित्या प्रशिक्षित एमुलेटर अयशस्वी झाले.

"हवामान अनुकरणकर्ते धोरण-संबंधित परिस्थिती मॉडेलिंगसाठी विशेषतः योग्य आहेत," वोमॅक म्हणाले. "एमुलेटरसाठी अनुकूल प्रशिक्षण डेटा व्युत्पन्न करण्यासाठी आमची पद्धत वापरून, आम्ही अधिक विश्वासार्ह अनुकरणकर्त्यांच्या उत्पादनाची गती वाढवू शकतो, त्यामुळे आम्ही धोरणात्मक निर्णय घेण्यासाठी त्यांच्या आउटपुटवर अधिक विश्वास ठेवू शकतो."

अनुकूलता महत्त्वाची आहे कारण भविष्यात प्रशिक्षण सेटसारखे दिसणार नाही. "भविष्यात, आम्ही निश्चितपणे हवामान आणि परिस्थिती पाहणार आहोत जे आम्ही यापूर्वी पाहिले नव्हते," सेलिन म्हणाले. "आम्ही या भिन्न परिस्थितींचे अधिक दृढतेने नक्कल करू शकलो तर, आम्ही आवश्यक असलेल्या भागधारकांना अधिक विश्वासार्ह माहिती देऊ शकतो."

वेळ महत्त्वाची का आहे

MIT च्या इन्स्टिट्यूट फॉर डेटा, सिस्टम्स आणि सोसायटी आणि पृथ्वी, वायुमंडलीय आणि ग्रह विज्ञान विभागातील प्राध्यापक आणि सेंटर फॉर सस्टेनेबिलिटी सायन्स अँड स्ट्रॅटेजीचे संचालक, ज्येष्ठ लेखक नोएल सेलिन यांनी हे काम स्वतःच हवामान माहितीसाठी पुरवठा-साखळी निराकरण म्हणून तयार केले. कारण एमुलेटर प्रशिक्षणाला काही महिने किंवा वर्षे लागू शकतात, नियोजकांसाठी उपलब्ध साधने अनेकदा कालबाह्य असतात. "ते उत्पादन वेळ कमी करून, मला वाटते की हे तंत्र संशोधक आणि अभ्यासकांच्या हातात अद्ययावत साधने मिळवण्याच्या दृष्टीने गेम-चेंजर ठरेल," ती म्हणाली.

ॲप्लिकेशन्सचा विस्तार शैक्षणिक क्षेत्राच्या पलीकडे आहे: अद्ययावत हवामान अंदाज पॉवर-ग्रिड लवचिकता, सार्वजनिक आरोग्य संरक्षण आणि कृषी नियोजन यावरील निर्णयांची माहिती देतात. या संघात शाहीन बौबिड, आंद्रेई सोकोलोव्ह, पोपट साळुंके आणि एमआयटीचे ग्लेन फ्लेरल आणि इम्पीरियल कॉलेज लंडनचे सेबॅस्टियन डी. ईस्टहॅम यांचाही समावेश होता. संशोधकांचे पुढील लक्ष्य तंत्राचा विस्तार करणे हे आहे जेणेकरुन अनुकरणकर्ते मजबूत राहतील कारण ग्रह कोणत्याही ऐतिहासिक उदाहरणाशिवाय हवामान परिस्थितीत प्रवेश करतो.

---

एआयच्या पुढे राहा

नवीनतम AI बातम्या, विश्लेषण आणि यश मिळवा — सर्व एकाच ठिकाणी.

अधिक AI बातम्या वाचा →