Penyelidik MIT telah membangunkan teknik latihan yang menghasilkan model iklim AI yang pantas dan boleh disesuaikan menggunakan sebahagian kecil daripada data yang biasanya diperlukan, satu langkah yang mereka katakan boleh mengurangkan masa pengeluaran alat ini dari bulan atau tahun kepada sesuatu yang jauh lebih boleh digunakan untuk keputusan dasar. Penyelidikan itu muncul minggu ini dalam Prosiding Akademi Sains Kebangsaan.
Model yang dimaksudkan ialah emulator iklim: sistem pengganti AI padat yang meniru gelagat model sistem bumi (ESM) skala penuh. ESM ialah tenaga kerja sains iklim - simulasi berasaskan fizik yang besar yang memaparkan cara suhu, kerpasan dan paras laut bertindak balas terhadap pelepasan gas rumah hijau - tetapi satu senario masa depan boleh mengambil masa berbulan-bulan untuk dijalankan pada kelompok superkomputer. Emulator, sebaliknya, berjalan dalam beberapa saat, membenarkan saintis menguji beribu-ribu senario, menyiasat kesan serantau dan bahan pencemar tertentu, dan menandakan hasil yang tidak dijangka daripada campur tangan dasar. Untuk liputan berterusan tentang peranan AI yang berkembang dalam sains, ikuti [berita penyelidikan AI] kami(https://aibuzzwire.news).
Masalahnya: data latihan realistik menjadikan model rapuh
Apabila penyelidik membina emulator iklim, mereka biasanya melatihnya pada enam hingga lapan senario pelepasan masa hadapan yang mengikut trajektori realistik. Setiap satu mesti dijalankan melalui ESM penuh untuk menghasilkan data latihan, yang menjadikan penjanaan set data mahal dan perlahan. Pasukan MIT sebelum ini telah mengenal pasti mod kegagalan yang halus: emulator yang dilatih pada senario realistik boleh berprestasi rendah apabila diminta untuk meramalkan situasi yang tidak biasa atau baru — betul-betul situasi yang semakin perlu diterokai oleh pembuat dasar.
"Algoritma kami mungkin menjana beberapa senario pelik yang tidak kelihatan seperti masa depan yang realistik, tetapi kami tidak begitu peduli jika senario latihan adalah realistik," kata Christopher Womack PhD '26, kini postdoc di ETH Zurich dan pengarang utama kertas itu, dalam MIT News. "Kami hanya cuba membuat set data yang terbaik untuk melatih emulator."
Satu larian ESM bukannya lapan
Teknik baru membalikkan saluran paip biasa. Daripada memasang senario realistik, algoritma menghasilkan senario sintetik yang dioptimumkan yang disesuaikan untuk memaksimumkan kemahiran ramalan emulator tertentu. Proses ini bermula dengan senario sewenang-wenang yang dijalankan melalui model iklim yang pantas dan ringkas, mengukur sejauh mana emulator menghasilkan semula hasil ESM penuh, kemudian secara berulang mengganggu data latihan — meningkatkan pelepasan CO2 secara mendadak pada tahun 2050, katakan, atau memotong metana dengan cepat pada tahun 2037 — sehingga ralat ambang emulator jatuh di bawah ambang.
Senario sintetik yang terhasil tidak kelihatan seperti trajektori dunia sebenar yang lancar. "Dengan memperkenalkan goyangan dan ayunan frekuensi tinggi ini, data kami membolehkan emulator mengekstrak lebih banyak maklumat tentang keseluruhan sistem," kata Womack. Hasil praktikal adalah besar: apabila membina set latihan sekali memerlukan menjalankan ESM penuh enam hingga lapan kali, pengguna kini memerlukan satu larian.
Lulus ujian model tradisional gagal
Para penyelidik melaporkan bahawa emulator yang dilatih dengan kaedah mereka dengan tepat meramalkan hasil senario yang tidak pernah dilihatnya semasa latihan, manakala emulator tradisional gagal menyesuaikan diri. Dalam satu ujian yang diserlahkan oleh MIT News, emulator terlatih sintetik menangkap dengan betul kesan dasar kawalan pencemar tempatan yang mengurangkan satu bahan cemar manakala pelepasan lain terus meningkat — satu kes di mana emulator terlatih konvensional yang mereka nilai gagal.
"Emulator iklim amat sesuai untuk memodelkan senario berkaitan dasar," kata Womack. "Dengan menggunakan kaedah kami untuk menjana data latihan yang dioptimumkan untuk emulator, kami boleh mempercepatkan pengeluaran emulator yang lebih dipercayai, supaya kami boleh lebih mempercayai output mereka untuk membuat keputusan dasar."
Kebolehsuaian penting kerana masa depan tidak akan menyerupai set latihan. "Pada masa hadapan, kita pasti akan melihat iklim dan senario yang belum pernah kita lihat sebelum ini," kata Selin. "Jika kita boleh mensimulasikan senario berbeza ini dengan lebih mantap, kita boleh memberikan maklumat yang lebih dipercayai kepada pihak berkepentingan yang memerlukannya."
Mengapa masa penting
Pengarang kanan Noelle Selin, seorang profesor di Institut Data, Sistem dan Masyarakat MIT dan Jabatan Bumi, Sains Atmosfera dan Planet, serta pengarah Pusat Sains dan Strategi Kelestarian, merangka kerja itu sebagai pembetulan rantaian bekalan untuk maklumat iklim itu sendiri. Oleh kerana latihan emulator boleh mengambil masa berbulan-bulan atau bertahun-tahun, alatan yang tersedia untuk perancang selalunya sudah lapuk. "Dengan mengurangkan masa pengeluaran itu, saya fikir teknik ini akan menjadi pengubah permainan dari segi mendapatkan alat yang dikemas kini ke tangan penyelidik dan pengamal," katanya.
Aplikasi ini melangkaui bidang akademik: unjuran iklim terkini memaklumkan keputusan tentang daya tahan grid kuasa, perlindungan kesihatan awam dan perancangan pertanian. Pasukan itu juga termasuk Shahine Bouabid, Andrei Sokolov, Popat Salunke dan Glenn Flierl dari MIT, dan Sebastian D. Eastham dari Imperial College London. Sasaran penyelidik seterusnya adalah memperluaskan teknik supaya emulator kekal teguh apabila planet ini memasuki keadaan iklim tanpa preseden sejarah.
---
Kekal Mendahului AIDapatkan berita, analisis dan penemuan terkini AI — semuanya di satu tempat.
Baca lebih banyak berita AI →
