นักวิจัยของ MIT ได้พัฒนาเทคนิคการฝึกอบรมที่สร้างแบบจำลองสภาพภูมิอากาศ AI ที่รวดเร็วและปรับเปลี่ยนได้ โดยใช้ข้อมูลเพียงเล็กน้อยที่ปกติต้องการ ซึ่งเป็นขั้นตอนที่พวกเขากล่าวว่าสามารถลดเวลาในการผลิตเครื่องมือเหล่านี้จากเดือนหรือปีลงเหลือเพียงสิ่งที่มีประโยชน์มากขึ้นสำหรับการตัดสินใจเชิงนโยบาย งานวิจัยนี้ปรากฏในรายงานการประชุมของ National Academy of Sciences ในสัปดาห์นี้

แบบจำลองที่เป็นปัญหาคือเครื่องจำลองสภาพอากาศ: ระบบตัวแทน AI ขนาดกะทัดรัดที่เลียนแบบพฤติกรรมของแบบจำลองระบบโลกขนาดเต็ม (ESM) ESM เป็นกลไกสำคัญของวิทยาศาสตร์ภูมิอากาศ ซึ่งเป็นการจำลองทางฟิสิกส์ขนาดมหึมาที่คาดการณ์ว่าอุณหภูมิ ปริมาณน้ำฝน และระดับน้ำทะเลตอบสนองต่อการปล่อยก๊าซเรือนกระจกอย่างไร แต่สถานการณ์ในอนาคตเพียงครั้งเดียวอาจใช้เวลาหลายเดือนในการทำงานบนคลัสเตอร์ของซูเปอร์คอมพิวเตอร์ ในทางตรงกันข้าม โปรแกรมจำลองทำงานในไม่กี่วินาที โดยให้นักวิทยาศาสตร์ทดสอบสถานการณ์นับพัน ตรวจสอบผลกระทบระดับภูมิภาคและมลพิษเฉพาะ และแจ้งผลลัพธ์ที่ไม่คาดคิดของการแทรกแซงนโยบาย หากต้องการรายงานข่าวอย่างต่อเนื่องเกี่ยวกับบทบาทที่เพิ่มขึ้นของ AI ในด้านวิทยาศาสตร์ โปรดติดตาม ข่าวการวิจัย AI ของเรา

ปัญหา: ข้อมูลการฝึกที่สมจริงทำให้โมเดลเปราะบาง

เมื่อนักวิจัยสร้างเครื่องจำลองสภาพอากาศ พวกเขามักจะฝึกเครื่องจำลองสถานการณ์การปล่อยก๊าซเรือนกระจกในอนาคต 6-8 สถานการณ์ที่เป็นไปตามวิถีที่สมจริง แต่ละรายการจะต้องทำงานผ่าน ESM เต็มรูปแบบเพื่อสร้างข้อมูลการฝึกอบรม ซึ่งทำให้การสร้างชุดข้อมูลมีค่าใช้จ่ายสูงและช้า ก่อนหน้านี้ทีมงาน MIT ได้ระบุโหมดความล้มเหลวแบบละเอียดอ่อน: โปรแกรมจำลองที่ได้รับการฝึกในสถานการณ์จริงสามารถทำงานได้ต่ำกว่าเมื่อถูกขอให้คาดการณ์สถานการณ์ที่ไม่คุ้นเคยหรือสถานการณ์แปลกใหม่ ซึ่งเป็นสถานการณ์ที่ผู้กำหนดนโยบายจำเป็นต้องสำรวจมากขึ้นอย่างแน่นอน

“อัลกอริทึมของเราอาจสร้างสถานการณ์แปลก ๆ บางอย่างที่ดูไม่เหมือนอนาคตที่สมจริง แต่เราไม่สนใจมากนักหากสถานการณ์การฝึกอบรมนั้นสมจริง” Christopher Womack PhD '26 ซึ่งปัจจุบันเป็น postdoc ที่ ETH Zurich และผู้เขียนหลักของรายงานใน MIT News กล่าว "เราแค่พยายามสร้างชุดข้อมูลที่ดีที่สุดเท่าที่จะเป็นไปได้เพื่อฝึกโปรแกรมจำลอง"

หนึ่ง ESM ทำงานแทนที่จะเป็นแปด

เทคนิคใหม่นี้จะพลิกกลับไปป์ไลน์ปกติ แทนที่จะรวบรวมสถานการณ์ที่สมจริง อัลกอริธึมจะสร้างสถานการณ์สังเคราะห์ที่ได้รับการปรับแต่งมาเพื่อเพิ่มทักษะการทำนายของโปรแกรมจำลองเฉพาะให้สูงสุด กระบวนการเริ่มต้นด้วยสถานการณ์ตามอำเภอใจที่ทำงานผ่านแบบจำลองสภาพภูมิอากาศที่รวดเร็วและง่ายดาย วัดว่าโปรแกรมจำลองสร้างผลลัพธ์ของ ESM เต็มรูปแบบได้ดีเพียงใด จากนั้นรบกวนข้อมูลการฝึกอบรมซ้ำ ๆ เช่น เพิ่มการปล่อยก๊าซคาร์บอนไดออกไซด์อย่างรวดเร็วในปี 2593 หรือลดมีเทนอย่างรวดเร็วในปี 2580 จนกว่าข้อผิดพลาดของโปรแกรมจำลองจะต่ำกว่าเกณฑ์

สถานการณ์สังเคราะห์ที่เกิดขึ้นนั้นดูไม่เหมือนวิถีในโลกแห่งความเป็นจริงที่ราบรื่น "ด้วยการแนะนำการแกว่งและการแกว่งความถี่สูงเหล่านี้ ข้อมูลของเราช่วยให้โปรแกรมจำลองสามารถดึงข้อมูลเพิ่มเติมเกี่ยวกับระบบโดยรวมได้มากขึ้น" Womack กล่าว ผลตอบแทนที่ได้ในทางปฏิบัตินั้นมีมาก: โดยที่การสร้างชุดการฝึกครั้งหนึ่งจำเป็นต้องใช้งาน ESM เต็มรูปแบบหกถึงแปดครั้ง ตอนนี้ผู้ใช้ต้องทำการรันเพียงครั้งเดียว

ผ่านการทดสอบรุ่นดั้งเดิมล้มเหลว

นักวิจัยรายงานว่าโปรแกรมจำลองที่ได้รับการฝึกด้วยวิธีของพวกเขาสามารถคาดการณ์ผลลัพธ์ของสถานการณ์ต่างๆ ที่ไม่เคยพบเห็นในระหว่างการฝึกอบรมได้อย่างแม่นยำ ในขณะที่โปรแกรมจำลองแบบดั้งเดิมไม่สามารถปรับตัวได้ ในการทดสอบครั้งหนึ่งที่ MIT News เน้นย้ำ เครื่องจำลองที่ได้รับการฝึกอบรมแบบสังเคราะห์สามารถบันทึกผลกระทบของนโยบายการควบคุมมลพิษในท้องถิ่นได้อย่างถูกต้อง ซึ่งช่วยลดมลพิษหนึ่งรายการในขณะที่การปล่อยมลพิษอื่นๆ ยังคงเพิ่มขึ้นอย่างต่อเนื่อง ซึ่งเป็นกรณีที่เครื่องจำลองที่ได้รับการฝึกอบรมตามแบบแผนที่พวกเขาประเมินล้มเหลว

“ตัวจำลองสภาพอากาศเหมาะอย่างยิ่งสำหรับการสร้างแบบจำลองสถานการณ์ที่เกี่ยวข้องกับนโยบาย” Womack กล่าว "ด้วยการใช้วิธีการของเราเพื่อสร้างข้อมูลการฝึกอบรมที่เหมาะสมที่สุดสำหรับโปรแกรมจำลอง เราจะสามารถเร่งการผลิตโปรแกรมจำลองที่เชื่อถือได้มากขึ้น ดังนั้นเราจึงสามารถไว้วางใจผลลัพธ์ของพวกเขาในการตัดสินใจด้านนโยบายได้ดีขึ้น"

ความสามารถในการปรับตัวมีความสำคัญเพราะอนาคตจะไม่เหมือนกับชุดฝึกซ้อม “ในอนาคต เราจะได้เห็นสภาพอากาศและสถานการณ์ที่เราไม่เคยเห็นมาก่อนอย่างแน่นอน” เซลินกล่าว "หากเราสามารถจำลองสถานการณ์ต่างๆ เหล่านี้ได้แม่นยำยิ่งขึ้น เราก็สามารถให้ข้อมูลที่เชื่อถือได้มากขึ้นแก่ผู้มีส่วนได้ส่วนเสียที่ต้องการข้อมูลดังกล่าว"

เหตุใดเวลาจึงมีความสำคัญ

ผู้เขียนอาวุโส Noelle Selin ศาสตราจารย์ในสถาบันข้อมูล ระบบ และสังคมของ MIT และภาควิชาโลก วิทยาศาสตร์บรรยากาศและดาวเคราะห์ และผู้อำนวยการศูนย์วิทยาศาสตร์และยุทธศาสตร์ความยั่งยืน ได้วางกรอบงานนี้ว่าเป็นการแก้ไขห่วงโซ่อุปทานสำหรับข้อมูลสภาพภูมิอากาศ เนื่องจากการฝึกอบรมโปรแกรมจำลองอาจใช้เวลาหลายเดือนหรือหลายปี เครื่องมือสำหรับนักวางแผนจึงมักจะล้าสมัย “ด้วยการลดเวลาในการผลิตลง ฉันคิดว่าเทคนิคนี้จะเป็นตัวเปลี่ยนเกมในแง่ของการนำเครื่องมือที่ได้รับการปรับปรุงมาสู่มือของนักวิจัยและผู้ปฏิบัติงาน” เธอกล่าว

การประยุกต์ใช้งานครอบคลุมมากกว่านักวิชาการ: การคาดการณ์สภาพภูมิอากาศที่ทันสมัยช่วยให้การตัดสินใจเกี่ยวกับความยืดหยุ่นของโครงข่ายไฟฟ้า การคุ้มครองด้านสาธารณสุข และการวางแผนทางการเกษตร ทีมงานยังรวมถึง Shahine Bouabid, Andrei Sokolov, Popat Salunke และ Glenn Flierl จาก MIT และ Sebastian D. Eastham จาก Imperial College London เป้าหมายต่อไปของนักวิจัยคือการขยายเทคนิคเพื่อให้เครื่องจำลองยังคงแข็งแกร่งเมื่อดาวเคราะห์เข้าสู่สภาพภูมิอากาศโดยไม่มีแบบอย่างทางประวัติศาสตร์

---

ก้าวนำหน้า AI

รับข่าวสาร AI การวิเคราะห์ และความก้าวหน้าล่าสุด ทั้งหมดในที่เดียว

อ่านข่าว AI เพิ่มเติม →