Os investigadores do MIT desenvolveram uma técnica de formação que produz modelos climáticos de IA rápidos e adaptáveis, utilizando uma fração dos dados normalmente necessários, um passo que, segundo eles, poderia reduzir o tempo de produção destas ferramentas de meses ou anos para algo muito mais utilizável para decisões políticas. A pesquisa aparece esta semana no Proceedings of the National Academy of Sciences.
Os modelos em questão são emuladores climáticos: sistemas substitutos compactos de IA que imitam o comportamento de modelos de sistemas terrestres (ESMs) em escala real. Os ESM são os cavalos de batalha da ciência climática – enormes simulações baseadas na física que projectam como as temperaturas, a precipitação e os níveis do mar respondem às emissões de gases com efeito de estufa – mas um único cenário futuro pode levar meses a ser executado num conjunto de supercomputadores. Os emuladores, por outro lado, funcionam em segundos, permitindo que os cientistas testem milhares de cenários, investiguem efeitos regionais e poluentes específicos e sinalizem resultados inesperados de intervenções políticas. Para cobertura contínua do papel crescente da IA na ciência, siga nossas notícias de pesquisa em IA.
O problema: dados de treinamento realistas tornam os modelos frágeis
Quando os investigadores constroem um emulador climático, normalmente treinam-no em seis a oito cenários de emissões futuras que seguem trajetórias realistas. Cada um deles deve passar por um ESM completo para produzir dados de treinamento, o que torna a geração de conjuntos de dados cara e lenta. A equipa do MIT já tinha identificado um modo de falha subtil: emuladores treinados em cenários realistas podem ter um desempenho inferior quando solicitados a prever situações desconhecidas ou novas – exactamente as situações que os decisores políticos precisam cada vez mais explorar.
“Nosso algoritmo pode gerar alguns cenários estranhos que não se parecem em nada com um futuro realista, mas não nos importamos muito se os cenários de treinamento são realistas”, disse Christopher Womack PhD '26, agora pós-doutorado na ETH Zurich e principal autor do artigo, no MIT News. “Estamos apenas tentando criar o melhor conjunto de dados possível para treinar um emulador.”
Uma execução do ESM em vez de oito
A nova técnica inverte o pipeline usual. Em vez de montar cenários realistas, um algoritmo gera cenários sintéticos otimizados, adaptados para maximizar a habilidade preditiva de um emulador específico. O processo começa com um cenário arbitrário executado através de um modelo climático simples e rápido, mede quão bem o emulador reproduz os resultados completos do ESM e, em seguida, perturba iterativamente os dados de treino – aumentando acentuadamente as emissões de CO2 em 2050, por exemplo, ou reduzindo rapidamente o metano em 2037 – até que o erro do emulador caia abaixo de um limite.
Os cenários sintéticos resultantes não se parecem em nada com trajetórias suaves do mundo real. “Ao introduzir essas oscilações e movimentos de alta frequência, nossos dados permitem que o emulador extraia muito mais informações sobre o sistema geral”, disse Womack. A recompensa prática é substancial: enquanto a construção de um conjunto de treinamento antes exigia a execução de um ESM completo de seis a oito vezes, o usuário agora precisa de uma única execução.
Passar no teste os modelos tradicionais falharam
Os pesquisadores relatam que um emulador treinado com seu método previu com precisão resultados de cenários que nunca tinha visto durante o treinamento, enquanto os emuladores tradicionais não conseguiram se adaptar. Num teste destacado pelo MIT News, o emulador treinado em materiais sintéticos capturou corretamente os efeitos de uma política local de controlo de poluentes que reduz um poluente enquanto outras emissões continuam a aumentar – um caso em que os emuladores treinados convencionalmente que avaliaram falharam.
“Os emuladores climáticos são especialmente adequados para modelar cenários relevantes para políticas”, disse Womack. "Ao usar nosso método para gerar dados de treinamento otimizados para um emulador, podemos acelerar a produção de emuladores muito mais confiáveis, para que possamos confiar melhor em seus resultados para a tomada de decisões políticas."
A adaptabilidade é importante porque o futuro não se assemelhará ao conjunto de formação. “No futuro, definitivamente veremos climas e cenários que nunca vimos antes”, disse Selin. “Se pudermos simular esses diferentes cenários de forma mais robusta, poderemos fornecer informações mais confiáveis às partes interessadas que delas necessitam”.
Por que o tempo é importante
A autora sênior Noelle Selin, professora do Instituto de Dados, Sistemas e Sociedade do MIT e do Departamento de Ciências da Terra, Atmosféricas e Planetárias, e diretora do Centro de Ciência e Estratégia de Sustentabilidade, enquadrou o trabalho como uma correção da cadeia de suprimentos para as próprias informações climáticas. Como o treinamento do emulador pode levar meses ou anos, as ferramentas disponíveis para os planejadores costumam estar desatualizadas. “Ao reduzir esse tempo de produção, acho que esta técnica será uma virada de jogo em termos de colocar ferramentas atualizadas nas mãos de pesquisadores e profissionais”, disse ela.
As aplicações vão muito além do meio académico: projeções climáticas atualizadas informam decisões sobre resiliência da rede elétrica, proteção da saúde pública e planeamento agrícola. A equipe também incluiu Shahine Bouabid, Andrei Sokolov, Popat Salunke e Glenn Flierl do MIT, e Sebastian D. Eastham do Imperial College London. O próximo objetivo dos investigadores é alargar a técnica para que os emuladores permaneçam robustos à medida que o planeta entra em condições climáticas sem precedentes históricos.
---
Fique à frente da IAReceba as últimas notícias, análises e avanços sobre IA — tudo em um só lugar.
Leia mais notícias sobre IA →
