Cercetătorii MIT au dezvoltat o tehnică de instruire care produce modele climatice AI rapide și adaptabile, folosind o fracțiune din datele necesare în mod normal, un pas despre care spun că ar putea reduce timpul de producție a acestor instrumente de la luni sau ani la ceva mult mai utilizabil pentru deciziile politice. Cercetarea apare săptămâna aceasta în Proceedings of the National Academy of Sciences.

Modelele în cauză sunt emulatoare de climă: sisteme surogat AI compacte care imită comportamentul modelelor de sisteme pământești la scară completă (ESM). ESM-urile sunt calitățile de bătaie ale științei climatice – simulări enorme bazate pe fizică care proiectează modul în care temperaturile, precipitațiile și nivelul mării răspund la emisiile de gaze cu efect de seră – dar rularea unui singur scenariu de viitor poate dura luni de zile pe un grup de supercalculatoare. Emulatoarele, în schimb, rulează în câteva secunde, permițând oamenilor de știință să testeze mii de scenarii, să analizeze efectele regionale și anumiți poluanți și să semnaleze rezultate neașteptate ale intervențiilor politice. Pentru o acoperire continuă a rolului în expansiune al AI în știință, urmăriți știrile noastre despre cercetarea AI.

Problema: datele de antrenament realiste fac modele fragile

Când cercetătorii construiesc un emulator climatic, de obicei îl antrenează pe șase până la opt scenarii viitoare de emisii care urmează traiectorii realiste. Fiecare trebuie să fie rulat printr-un ESM complet pentru a produce date de antrenament, ceea ce face generarea setului de date costisitoare și lentă. Echipa MIT a identificat anterior un mod de eșec subtil: emulatorii instruiți pe scenarii realiste pot avea performanțe slabe atunci când li se cere să prezică situații nefamiliare sau noi - exact situațiile pe care factorii de decizie trebuie să le exploreze din ce în ce mai mult.

„Algoritmul nostru ar putea genera niște scenarii ciudate care nu seamănă deloc cu un viitor realist, dar nu ne pasă atât de mult dacă scenariile de antrenament sunt realiste”, a spus Christopher Womack PhD '26, acum postdoc la ETH Zurich și autorul principal al lucrării, în MIT News. „Încercăm doar să facem cel mai bun set de date posibil pentru a antrena un emulator.”

O rulare ESM în loc de opt

Noua tehnică inversează conducta obișnuită. În loc să asambleze scenarii realiste, un algoritm generează scenarii sintetice optimizate, adaptate pentru a maximiza abilitățile de predicție a unui emulator specific. Procesul începe cu un scenariu arbitrar rulat printr-un model climatic rapid și simplu, măsoară cât de bine reproduce emulatorul rezultatele complete ale ESM, apoi perturbă iterativ datele de antrenament - creșterea bruscă a emisiilor de CO2 în 2050, să zicem, sau reducerea rapidă a metanului în 2037 - până când eroarea emulatorului scade sub o a treia eroare.

Scenariile sintetice rezultate nu seamănă deloc cu traiectorii netede din lumea reală. „Prin introducerea acestor mișcări și oscilații de înaltă frecvență, datele noastre permit emulatorului să extragă mult mai multe informații despre sistemul general”, a spus Womack. Beneficiul practic este substanțial: acolo unde construirea unui set de antrenament odinioară necesita executarea unui ESM complet de șase până la opt ori, un utilizator are acum nevoie de o singură rulare.

Trecerea testului modelelor tradiționale a eșuat

Cercetătorii raportează că un emulator instruit cu metoda lor a prezis cu exactitate rezultatele unor scenarii pe care nu le-a văzut niciodată în timpul antrenamentului, în timp ce emulatorii tradiționali nu s-au adaptat. Într-un test evidențiat de MIT News, emulatorul antrenat sintetic a surprins corect efectele unei politici locale de control al poluanților care reduce un poluant în timp ce alte emisii continuă să crească - un caz în care emulatorii instruiți convențional pe care i-au evaluat au eșuat.

„Emulatorii de climă sunt deosebit de potriviți pentru modelarea scenariilor relevante pentru politici”, a spus Womack. „Folosind metoda noastră de a genera date optimizate de antrenament pentru un emulator, putem accelera producția de emulatori mult mai fiabili, astfel încât să putem avea mai multă încredere în rezultatele lor pentru luarea deciziilor de politică.”

Adaptabilitatea contează pentru că viitorul nu va semăna cu setul de antrenament. „În viitor, cu siguranță vom vedea climate și scenarii pe care nu le-am văzut până acum”, a spus Selin. „Dacă putem simula aceste scenarii diferite mai robust, putem oferi informații mai fiabile părților interesate care au nevoie de ele.”

De ce contează momentul

Autorul principal Noelle Selin, profesor la Institutul pentru Date, Sisteme și Societate al MIT și Departamentul de Științe Pământului, Atmosferice și Planetare și director al Centrului pentru Știința și Strategia Sustenabilității, a încadrat lucrarea ca o soluție a lanțului de aprovizionare pentru informațiile climatice în sine. Deoarece instruirea emulatorului poate dura luni sau ani, instrumentele disponibile pentru planificatori sunt adesea depășite. „Prin reducerea timpului de producție, cred că această tehnică va schimba jocul în ceea ce privește aducerea instrumentelor actualizate în mâinile cercetătorilor și practicienilor”, a spus ea.

Aplicațiile se extind cu mult dincolo de mediul academic: proiecțiile climatice actualizate informează deciziile privind rezistența rețelei electrice, protecția sănătății publice și planificarea agriculturii. Echipa a mai inclus pe Shahine Bouabid, Andrei Sokolov, Popat Salunke și Glenn Flierl de la MIT și Sebastian D. Eastham de la Imperial College London. Următoarea țintă a cercetătorilor este extinderea tehnicii, astfel încât emulatorii să rămână robusti pe măsură ce planeta intră în condiții climatice fără precedent istoric.

---

Rămâneți înaintea AI

Obțineți cele mai recente știri, analize și descoperiri AI - toate într-un singur loc.

Citește mai multe știri AI →