MIT-forskare har utvecklat en träningsteknik som producerar snabba, anpassningsbara AI-klimatmodeller med hjälp av en bråkdel av den data som normalt krävs, ett steg som de säger skulle kunna minska produktionstiden för dessa verktyg från månader eller år ner till något som är mycket mer användbart för politiska beslut. Forskningen visas den här veckan i Proceedings of the National Academy of Sciences.
Modellerna i fråga är klimatemulatorer: kompakta AI-surrogatsystem som efterliknar beteendet hos fullskaliga jordsystemmodeller (ESM). ESM är klimatvetenskapens arbetshästar - enorma fysikbaserade simuleringar som projicerar hur temperaturer, nederbörd och havsnivåer reagerar på utsläpp av växthusgaser - men ett enda framtidsscenario kan ta månader att köra på ett kluster av superdatorer. Emulatorer, däremot, körs på några sekunder och låter forskare testa tusentals scenarier, undersöka regionala effekter och specifika föroreningar och flagga oväntade resultat av politiska ingripanden. För pågående bevakning av AI:s växande roll inom vetenskapen, följ våra AI-forskningsnyheter.
Problemet: realistisk träningsdata gör ömtåliga modeller
När forskare bygger en klimatemulator tränar de vanligtvis den på sex till åtta framtida utsläppsscenarier som följer realistiska banor. Var och en måste köras genom en fullständig ESM för att producera träningsdata, vilket gör datauppsättningen kostsam och långsam. MIT-teamet hade tidigare identifierat ett subtilt misslyckande: emulatorer som tränats i realistiska scenarier kan underprestera när de uppmanas att förutsäga okända eller nya situationer - exakt de situationer som beslutsfattare i allt högre grad behöver utforska.
"Vår algoritm kan generera några konstiga scenarier som inte ser ut som en realistisk framtid, men vi bryr oss inte så mycket om träningsscenarierna är realistiska", säger Christopher Womack PhD '26, nu postdoc vid ETH Zürich och tidningens huvudförfattare, i MIT News. "Vi försöker bara göra bästa möjliga datauppsättning för att träna en emulator."
En ESM-körning istället för åtta
Den nya tekniken inverterar den vanliga pipelinen. Istället för att sätta ihop realistiska scenarier genererar en algoritm optimerade syntetiska scenarier som är skräddarsydda för att maximera en specifik emulators prediktiva skicklighet. Processen börjar med ett godtyckligt scenario som körs genom en snabb, enkel klimatmodell, mäter hur väl emulatorn reproducerar hela ESM:s resultat, och stör sedan iterativt träningsdatan – höjer CO2-utsläppen kraftigt t.ex. 2050 eller minskar metan snabbt 2037 – tills emulatorns fel sjunker under ett tröskelvärde.
De resulterande syntetiska scenarierna ser inte ut som jämna verkliga banor. "Genom att introducera dessa högfrekventa vickningar och svängningar gör våra data det möjligt för emulatorn att extrahera mycket mer information om det övergripande systemet," sa Womack. Den praktiska utdelningen är betydande: där att bygga ett träningsset en gång krävde att köra en fullständig ESM sex till åtta gånger, behöver en användare nu en enda körning.
Att klara testet för traditionella modeller misslyckades
Forskarna rapporterar att en emulator som tränats med sin metod exakt förutspådde resultatet av scenarier som den aldrig hade sett under träningen, medan traditionella emulatorer misslyckades med att anpassa sig. I ett test som lyfts fram av MIT News, fångade den syntetiskt tränade emulatorn korrekt effekterna av en lokal föroreningskontroll som minskar en förorening medan andra utsläpp fortsätter att öka - ett fall där de konventionellt tränade emulatorerna de utvärderade misslyckades.
"Klimatemulatorer är särskilt väl lämpade för modellering av policyrelevanta scenarier," sa Womack. "Genom att använda vår metod för att generera optimerad träningsdata för en emulator kan vi påskynda produktionen av mycket mer tillförlitliga emulatorer, så att vi bättre kan lita på deras resultat för att fatta policybeslut."
Anpassningsförmågan spelar roll eftersom framtiden inte kommer att likna träningsuppsättningen. "I framtiden kommer vi definitivt att se klimat och scenarier som vi inte har sett tidigare," sa Selin. "Om vi kan simulera dessa olika scenarier mer robust kan vi ge mer tillförlitlig information till de intressenter som behöver det."
Varför timing spelar roll
Seniorförfattaren Noelle Selin, professor vid MIT:s Institute for Data, Systems and Society och Department of Earth, Atmospheric and Planetary Sciences, och chef för Center for Sustainability Science and Strategy, inramade arbetet som en leveranskedja för själva klimatinformationen. Eftersom emulatorutbildning kan ta månader eller år är verktygen som är tillgängliga för planerare ofta inaktuella. "Genom att minska den produktionstiden tror jag att den här tekniken kommer att förändra spelet när det gäller att få uppdaterade verktyg i händerna på forskare och praktiker", sa hon.
Ansökningarna sträcker sig långt utanför den akademiska världen: uppdaterade klimatprognoser informerar beslut om motståndskraft i elnätet, folkhälsoskydd och jordbruksplanering. I teamet ingick också Shahine Bouabid, Andrei Sokolov, Popat Salunke och Glenn Flierl från MIT och Sebastian D. Eastham från Imperial College London. Forskarnas nästa mål är att utöka tekniken så att emulatorer förblir robusta när planeten går in i klimatförhållanden utan något historiskt prejudikat.
---
Stay ahead of AIFå de senaste AI-nyheterna, analyserna och genombrotten – allt på ett ställe.
Läs mer AI-nyheter →
