Исследователи Массачусетского технологического института разработали метод обучения, который создает быстрые, адаптируемые климатические модели искусственного интеллекта, используя часть обычно необходимых данных. По их словам, этот шаг может сократить время создания этих инструментов с месяцев или лет до чего-то гораздо более пригодного для принятия политических решений. Исследование появится на этой неделе в Proceedings of the National Academy of Sciences.
Рассматриваемые модели являются климатическими эмуляторами: компактными суррогатными системами искусственного интеллекта, которые имитируют поведение полномасштабных моделей земной системы (ESM). ESM — это рабочие лошадки климатологии — огромные физические симуляции, которые прогнозируют, как температура, осадки и уровень моря реагируют на выбросы парниковых газов — но для запуска одного сценария будущего на кластере суперкомпьютеров могут потребоваться месяцы. Эмуляторы, напротив, работают за считанные секунды, позволяя ученым тестировать тысячи сценариев, исследовать региональные эффекты и конкретные загрязнители, а также отмечать неожиданные результаты политического вмешательства. Чтобы постоянно освещать растущую роль ИИ в науке, следите за нашими [новостями исследований ИИ] (https://aibuzzwire.news).
Проблема: реалистичные данные обучения делают модели хрупкими
Когда исследователи создают климатический эмулятор, они обычно обучают его шести-восьми сценариям будущих выбросов, которые следуют реалистичным траекториям. Каждый из них необходимо пройти через полный ESM для получения обучающих данных, что делает создание набора данных дорогостоящим и медленным. Команда MIT ранее выявила скрытую причину отказа: эмуляторы, обученные на реалистичных сценариях, могут работать хуже, когда их просят предсказать незнакомые или новые ситуации — именно те ситуации, которые политикам все чаще приходится изучать.
«Наш алгоритм может генерировать некоторые странные сценарии, которые совсем не похожи на реалистичное будущее, но нас не особо волнует, реалистичны ли сценарии обучения», — сказал Кристофер Вомак, доктор философии 26 года, ныне постдок в ETH Zurich и ведущий автор статьи, в MIT News. «Мы просто пытаемся создать наилучший набор данных для обучения эмулятора».
Один запуск ESM вместо восьми
Новая технология переворачивает обычный конвейер. Вместо сборки реалистичных сценариев алгоритм генерирует оптимизированные синтетические сценарии, адаптированные для максимизации прогнозирующих навыков конкретного эмулятора. Процесс начинается с произвольного сценария, прогоняющего быструю и простую климатическую модель, измеряет, насколько хорошо эмулятор воспроизводит полные результаты ESM, затем итеративно искажает данные обучения — резко увеличивая выбросы CO2, скажем, в 2050 году или быстро сокращая количество метана в 2037 году — до тех пор, пока ошибка эмулятора не упадет ниже порогового значения.
Полученные синтетические сценарии совсем не похожи на плавные траектории реального мира. «Представляя эти высокочастотные колебания и колебания, наши данные позволяют эмулятору извлечь гораздо больше информации о системе в целом», — сказал Вомак. Практическая выгода значительна: если раньше для создания обучающего набора требовалось выполнить полный ESM шесть-восемь раз, то теперь пользователю требуется один запуск.
Пройти тест традиционные модели не удалось
Исследователи сообщают, что эмулятор, обученный с помощью их метода, точно предсказал результаты сценариев, которые он никогда не видел во время обучения, в то время как традиционные эмуляторы не смогли адаптироваться. В одном тесте, освещенном MIT News, эмулятор с синтетическим обучением правильно уловил последствия местной политики контроля выбросов, которая уменьшает выбросы одного загрязняющего вещества, в то время как выбросы других продолжают расти — случай, когда эмуляторы, обученные традиционным способом, которые они оценивали, потерпели неудачу.
«Климатические эмуляторы особенно хорошо подходят для моделирования сценариев, важных для политики», — сказал Вомак. «Используя наш метод для создания оптимизированных обучающих данных для эмулятора, мы можем ускорить производство гораздо более надежных эмуляторов, чтобы мы могли лучше доверять их результатам при принятии политических решений».
Адаптивность имеет значение, потому что будущее не будет напоминать обучающую выборку. «В будущем мы определенно увидим климат и сценарии, которых раньше не видели», — сказал Селин. «Если мы сможем более точно смоделировать эти различные сценарии, мы сможем предоставить более надежную информацию заинтересованным сторонам, которые в ней нуждаются».
Почему время имеет значение
Старший автор Ноэль Селин, профессор Института данных, систем и общества Массачусетского технологического института и факультета наук о Земле, атмосфере и планетах, а также директор Центра науки и стратегии устойчивого развития, сформулировала эту работу как исправление цепочки поставок самой климатической информации. Поскольку обучение на эмуляторе может занять месяцы или годы, инструменты, доступные планировщикам, часто устарели. «Я думаю, что благодаря сокращению времени производства этот метод изменит правила игры с точки зрения получения обновленных инструментов в руки исследователей и практиков», — сказала она.
Приложения выходят далеко за пределы научных кругов: актуальные климатические прогнозы служат основой для принятия решений по устойчивости энергосистем, охране здоровья населения и сельскохозяйственному планированию. В команду также входили Шахин Бубид, Андрей Соколов, Попат Салунке и Гленн Флирл из Массачусетского технологического института, а также Себастьян Д. Истэм из Имперского колледжа Лондона. Следующая цель исследователей — расширить эту методику, чтобы эмуляторы оставались надежными, поскольку планета входит в беспрецедентные климатические условия.
---
Будьте впереди ИИПолучайте последние новости, анализ и открытия в области искусственного интеллекта — все в одном месте.
Подробнее новости AI →
