MIT-onderzoekers hebben een trainingstechniek ontwikkeld die snelle, aanpasbare AI-klimaatmodellen produceert met behulp van een fractie van de gegevens die normaal nodig zijn. Een stap die volgens hen de productietijd van deze tools zou kunnen terugbrengen van maanden of jaren tot iets dat veel bruikbaarder is voor beleidsbeslissingen. Het onderzoek verschijnt deze week in de Proceedings of the National Academy of Sciences.
De modellen in kwestie zijn klimaatemulators: compacte AI-surrogaatsystemen die het gedrag van full-scale Earth System-modellen (ESM’s) nabootsen. ESM's zijn de werkpaarden van de klimaatwetenschap – enorme, op fysica gebaseerde simulaties die projecteren hoe temperaturen, neerslag en zeeniveaus reageren op de uitstoot van broeikasgassen – maar het kan maanden duren voordat een enkel toekomstscenario op een cluster van supercomputers wordt uitgevoerd. Emulators daarentegen werken binnen enkele seconden, waardoor wetenschappers duizenden scenario's kunnen testen, regionale effecten en specifieke verontreinigende stoffen kunnen onderzoeken en onverwachte resultaten van beleidsinterventies kunnen signaleren. Voor voortdurende berichtgeving over de groeiende rol van AI in de wetenschap kunt u ons AI-onderzoeksnieuws volgen.
Het probleem: realistische trainingsgegevens maken modellen kwetsbaar
Wanneer onderzoekers een klimaatemulator bouwen, trainen ze deze doorgaans op zes tot acht toekomstige emissiescenario's die realistische trajecten volgen. Elke module moet een volledige ESM doorlopen om trainingsgegevens te produceren, waardoor het genereren van datasets kostbaar en traag wordt. Het MIT-team had eerder een subtiele faalwijze geïdentificeerd: emulators die zijn getraind in realistische scenario's kunnen ondermaats presteren als hen wordt gevraagd onbekende of nieuwe situaties te voorspellen – precies de situaties die beleidsmakers steeds vaker moeten onderzoeken.
"Ons algoritme kan een aantal vreemde scenario's genereren die in niets op een realistische toekomst lijken, maar het maakt ons niet zoveel uit of de trainingsscenario's realistisch zijn", zegt Christopher Womack PhD '26, nu postdoc bij ETH Zürich en hoofdauteur van het artikel, in MIT News. "We proberen gewoon de best mogelijke dataset te maken om een emulator te trainen."
Eén ESM-run in plaats van acht
De nieuwe techniek keert de gebruikelijke pijplijn om. In plaats van realistische scenario's samen te stellen, genereert een algoritme geoptimaliseerde synthetische scenario's die zijn afgestemd op het maximaliseren van de voorspellende vaardigheden van een specifieke emulator. Het proces begint met een willekeurig scenario dat door een snel, eenvoudig klimaatmodel wordt doorlopen, meet hoe goed de emulator de volledige ESM-resultaten reproduceert en vervolgens de trainingsgegevens iteratief verstoort – bijvoorbeeld een scherpe stijging van de CO2-uitstoot in 2050, of een snelle vermindering van methaan in 2037 – totdat de fout van de emulator onder een drempel valt.
De resulterende synthetische scenario's lijken in niets op soepele trajecten in de echte wereld. "Door deze hoogfrequente schommelingen en oscillaties te introduceren, stellen onze gegevens de emulator in staat veel meer informatie over het totale systeem te extraheren", aldus Womack. De praktische opbrengst is aanzienlijk: waar het bouwen van een trainingsset ooit zes tot acht keer een volledige ESM moest uitvoeren, heeft een gebruiker nu één keer nodig.
De test doorstaan, traditionele modellen faalden
De onderzoekers melden dat een met hun methode getrainde emulator nauwkeurig de uitkomsten voorspelde van scenario's die hij tijdens de training nog nooit had gezien, terwijl traditionele emulators zich niet konden aanpassen. In een door MIT News benadrukte test heeft de synthetisch getrainde emulator correct de effecten vastgelegd van een lokaal beleid ter controle van verontreinigende stoffen dat één verontreinigende stof vermindert terwijl andere emissies blijven stijgen – een geval waarin de conventioneel opgeleide emulators die ze hebben geëvalueerd faalden.
"Klimaatemulators zijn vooral geschikt voor het modelleren van beleidsrelevante scenario's", aldus Womack. "Door onze methode te gebruiken om geoptimaliseerde trainingsgegevens voor een emulator te genereren, kunnen we de productie van veel betrouwbaardere emulators versnellen, zodat we hun output beter kunnen vertrouwen bij het nemen van beleidsbeslissingen."
Het aanpassingsvermogen is van belang omdat de toekomst niet zal lijken op de trainingsset. "In de toekomst zullen we zeker klimaten en scenario's zien die we nog niet eerder hebben gezien", zei Selin. "Als we deze verschillende scenario's robuuster kunnen simuleren, kunnen we betrouwbaardere informatie verstrekken aan de belanghebbenden die deze nodig hebben."
Waarom timing belangrijk is
Senior auteur Noelle Selin, professor aan het MIT Institute for Data, Systems, and Society en het Department of Earth, Atmospheric and Planetary Sciences, en directeur van het Center for Sustainability Science and Strategy, omschreef het werk als een oplossing voor de toeleveringsketen voor klimaatinformatie zelf. Omdat emulatortraining maanden of jaren kan duren, zijn de tools die planners ter beschikking staan vaak verouderd. "Door die productietijd te verkorten, denk ik dat deze techniek een game-changer zal zijn als het gaat om het verkrijgen van bijgewerkte tools in handen van onderzoekers en praktijkmensen," zei ze.
De toepassingen reiken veel verder dan de academische wereld: actuele klimaatprojecties vormen de basis voor beslissingen over de veerkracht van het elektriciteitsnet, de bescherming van de volksgezondheid en de landbouwplanning. Het team bestond ook uit Shahine Bouabid, Andrei Sokolov, Popat Salunke en Glenn Flierl van MIT, en Sebastian D. Eastham van Imperial College London. Het volgende doel van de onderzoekers is het uitbreiden van de techniek, zodat emulators robuust blijven als de planeet in klimaatomstandigheden terechtkomt zonder historisch precedent.
---
Blijf AI een stap voorOntvang het laatste AI-nieuws, analyses en doorbraken – allemaal op één plek.
Lees meer AI-nieuws →
