Badacze z MIT opracowali technikę szkoleniową, która pozwala tworzyć szybkie, elastyczne modele klimatyczne AI przy użyciu ułamka normalnie wymaganych danych. Ich zdaniem może to skrócić czas produkcji tych narzędzi z miesięcy lub lat do poziomu znacznie bardziej przydatnego przy podejmowaniu decyzji politycznych. Wyniki badania ukazały się w tym tygodniu w Proceedings of the National Academy of Sciences.
Modele, o których mowa, to emulatory klimatu: kompaktowe systemy zastępcze AI, które naśladują zachowanie pełnoskalowych modeli systemów ziemskich (ESM). ESM to najważniejsze narzędzia nauki o klimacie — ogromne symulacje oparte na fizyce, które pokazują, jak temperatury, opady i poziom mórz reagują na emisję gazów cieplarnianych — ale opracowanie pojedynczego przyszłego scenariusza na klastrze superkomputerów może zająć miesiące. Emulatory natomiast działają w ciągu kilku sekund, umożliwiając naukowcom testowanie tysięcy scenariuszy, badanie skutków regionalnych i konkretnych substancji zanieczyszczających oraz sygnalizowanie nieoczekiwanych wyników interwencji politycznych. Aby na bieżąco relacjonować rosnącą rolę sztucznej inteligencji w nauce, śledź nasze wiadomości dotyczące badań nad sztuczną inteligencją.
Problem: realistyczne dane szkoleniowe powodują, że modele są kruche
Kiedy badacze budują emulator klimatu, zazwyczaj szkolą go w oparciu o sześć do ośmiu przyszłych scenariuszy emisji, które podążają za realistycznymi trajektoriami. Każdy z nich musi zostać uruchomiony przez pełny ESM, aby wygenerować dane szkoleniowe, co sprawia, że generowanie zbioru danych jest kosztowne i powolne. Zespół z MIT zidentyfikował już wcześniej subtelny tryb awarii: emulatory przeszkolone w zakresie realistycznych scenariuszy mogą osiągać słabsze wyniki, gdy zostaną poproszone o przewidzenie nieznanych lub nowych sytuacji – czyli dokładnie takich sytuacji, które decydenci coraz częściej muszą badać.
„Nasz algorytm może generować dziwne scenariusze, które w niczym nie przypominają realistycznej przyszłości, ale nie przejmujemy się zbytnio, czy scenariusze szkoleniowe są realistyczne” – powiedział dr Christopher Womack '26, obecnie postdoc w ETH Zurich i główny autor artykułu w MIT News. „Próbujemy po prostu stworzyć możliwie najlepszy zbiór danych do szkolenia emulatora”.
Jedno uruchomienie ESM zamiast ośmiu
Nowa technika odwraca zwykły rurociąg. Zamiast montować realistyczne scenariusze, algorytm generuje zoptymalizowane scenariusze syntetyczne dostosowane do maksymalizacji umiejętności przewidywania konkretnego emulatora. Proces rozpoczyna się od dowolnego scenariusza realizowanego za pomocą szybkiego i prostego modelu klimatycznego, mierzy, jak dobrze emulator odtwarza pełne wyniki ESM, a następnie iteracyjnie zakłóca dane szkoleniowe — gwałtownie podnosząc emisję CO2 na przykład w 2050 r. lub szybko ograniczając metan w 2037 r. — aż błąd emulatora spadnie poniżej progu.
Powstałe syntetyczne scenariusze w niczym nie przypominają gładkich trajektorii w świecie rzeczywistym. „Wprowadzając drgania i oscylacje o wysokiej częstotliwości, nasze dane umożliwiają emulatorowi wydobycie znacznie większej ilości informacji o całym systemie” – powiedział Womack. Praktyczna korzyść jest znacząca: tam, gdzie kiedyś zbudowanie zestawu szkoleniowego wymagało uruchomienia pełnego ESM sześć do ośmiu razy, teraz użytkownik potrzebuje jednego uruchomienia.
Nie udało się przejść testu tradycyjnym modelom
Naukowcy podają, że emulator przeszkolony przy użyciu ich metody dokładnie przewidział wyniki scenariuszy, których nigdy nie widział podczas szkolenia, podczas gdy tradycyjne emulatory nie przystosowały się. W jednym z testów wyróżnionych przez MIT News emulator wytrenowany na bazie syntetycznej prawidłowo uchwycił skutki lokalnej polityki kontroli zanieczyszczeń, która ogranicza jedną substancję zanieczyszczającą, podczas gdy emisje innych substancji stale rosną – w tym przypadku oceniane przez nich konwencjonalnie szkolone emulatory zawiodły.
„Emulatory klimatyczne szczególnie dobrze nadają się do modelowania scenariuszy istotnych dla polityki” – powiedział Womack. „Wykorzystując naszą metodę do generowania zoptymalizowanych danych szkoleniowych dla emulatora, możemy przyspieszyć produkcję znacznie bardziej niezawodnych emulatorów, dzięki czemu możemy lepiej ufać ich wynikom przy podejmowaniu decyzji politycznych”.
Możliwość adaptacji ma znaczenie, ponieważ przyszłość nie będzie przypominać zbioru uczącego. „W przyszłości na pewno zobaczymy klimat i scenariusze, których wcześniej nie widzieliśmy” – powiedział Selin. „Jeśli uda nam się dokładniej symulować te różne scenariusze, będziemy mogli zapewnić bardziej wiarygodne informacje zainteresowanym stronom, które ich potrzebują”.
Dlaczego wyczucie czasu ma znaczenie
Starsza autorka Noelle Selin, profesor w Instytucie Danych, Systemów i Społeczeństwa MIT oraz na Wydziale Nauk o Ziemi, Atmosferze i Planetach, a także dyrektor Centrum Nauki i Strategii na rzecz Zrównoważonego Rozwoju, określiła tę pracę jako rozwiązanie łańcucha dostaw samych informacji klimatycznych. Ponieważ szkolenie w zakresie emulatora może zająć miesiące lub lata, narzędzia dostępne dla planistów są często nieaktualne. „Sądzę, że dzięki skróceniu czasu produkcji technika ta zmieni zasady gry, jeśli chodzi o udostępnienie zaktualizowanych narzędzi badaczom i praktykom” – stwierdziła.
Zastosowania wykraczają daleko poza środowisko akademickie: aktualne prognozy klimatyczne stanowią podstawę do podejmowania decyzji dotyczących odporności sieci energetycznej, ochrony zdrowia publicznego i planowania rolnego. W skład zespołu weszli także Shahine Bouabid, Andrei Sokolov, Popat Salunke i Glenn Flierl z MIT oraz Sebastian D. Eastham z Imperial College London. Kolejnym celem badaczy jest rozszerzenie tej techniki, tak aby emulatory pozostały niezawodne, gdy planeta wchodzi w warunki klimatyczne bez precedensu w historii.
---
Wyprzedź sztuczną inteligencjęOtrzymuj najnowsze wiadomości, analizy i przełomowe informacje dotyczące sztucznej inteligencji — wszystko w jednym miejscu.
Przeczytaj więcej aktualności o sztucznej inteligencji →
