MIT araştırmacıları, normalde gereken verilerin çok küçük bir kısmını kullanarak hızlı, uyarlanabilir yapay zeka iklim modelleri üreten bir eğitim tekniği geliştirdiler. Bu adımın, bu araçların üretim süresini aylar veya yıllar yerine politika kararları için çok daha kullanışlı bir hale getirebileceğini söylüyorlar. Araştırma bu hafta Ulusal Bilimler Akademisi Bildirilerinde yer alıyor.

Söz konusu modeller iklim emülatörleridir: tam ölçekli dünya sistemi modellerinin (ESM'ler) davranışını taklit eden kompakt yapay zeka vekil sistemleri. ESM'ler iklim biliminin beygirleridir - sıcaklıkların, yağışların ve deniz seviyelerinin sera gazı emisyonlarına nasıl tepki verdiğini yansıtan muazzam fizik tabanlı simülasyonlar - ancak tek bir gelecek senaryosunun bir süper bilgisayar kümesinde çalıştırılması aylar sürebilir. Bunun aksine, emülatörler saniyeler içinde çalışarak bilim adamlarının binlerce senaryoyu test etmesine, bölgesel etkileri ve belirli kirleticileri araştırmasına ve politika müdahalelerinin beklenmedik sonuçlarını işaretlemesine olanak tanır. Yapay zekanın bilimde genişleyen rolüne ilişkin devam eden haberler için Yapay Zeka araştırma haberlerimizi takip edin.

Sorun: gerçekçi eğitim verileri modelleri kırılgan hale getiriyor

Araştırmacılar bir iklim emülatörü oluşturduğunda, onu genellikle gerçekçi yörüngeleri takip eden altı ila sekiz gelecekteki emisyon senaryosuna göre eğitirler. Eğitim verileri üretmek için her birinin tam bir ESM üzerinden çalıştırılması gerekir; bu da veri kümesi oluşturmayı maliyetli ve yavaş hale getirir. MIT ekibi daha önce incelikli bir hata modu tanımlamıştı: Gerçekçi senaryolar üzerine eğitilmiş emülatörler, alışılmamış veya yeni durumları - tam olarak politika yapıcıların giderek keşfetmesi gereken durumları - tahmin etmeleri istendiğinde düşük performans gösterebilir.

Şu anda ETH Zürih'te doktora sonrası araştırmacısı ve MIT News'de makalenin baş yazarı olan Christopher Womack PhD '26, "Algoritmamız gerçekçi bir geleceğe hiç benzemeyen bazı tuhaf senaryolar üretebilir, ancak eğitim senaryolarının gerçekçi olup olmamasını pek umursamıyoruz" dedi. "Bir öykünücüyü eğitmek için mümkün olan en iyi veri kümesini oluşturmaya çalışıyoruz."

Sekiz yerine bir ESM çalıştırması

Yeni teknik olağan boru hattını tersine çeviriyor. Bir algoritma, gerçekçi senaryoları bir araya getirmek yerine, belirli bir öykünücünün tahmin becerisini en üst düzeye çıkarmak için uyarlanmış optimize edilmiş sentetik senaryolar üretir. Süreç, hızlı, basit bir iklim modeli üzerinden yürütülen keyfi bir senaryo ile başlar, öykünücünün tam ESM sonuçlarını ne kadar iyi ürettiğini ölçer, ardından öykünücünün hatası bir eşiğin altına düşene kadar yinelemeli olarak eğitim verilerini bozar - örneğin 2050'de CO2 emisyonlarını keskin bir şekilde artırmak veya 2037'de metan hızla kesmek.

Ortaya çıkan sentetik senaryolar, gerçek dünyadaki pürüzsüz yörüngelere hiç benzemiyor. Womack, "Bu yüksek frekanslı kıpırdama ve salınımları devreye sokarak, verilerimiz öykünücünün genel sistem hakkında çok daha fazla bilgi çıkarmasını sağlıyor" dedi. Pratik getirisi oldukça büyük: Bir eğitim seti oluşturmak için bir zamanlar tam ESM'nin altı ila sekiz kez çalıştırılması gerekirken, kullanıcının artık tek bir çalıştırmaya ihtiyacı var.

Geleneksel modeller testi geçmekte başarısız oldu

Araştırmacılar, kendi yöntemleriyle eğitilen bir emülatörün, eğitim sırasında hiç görmediği senaryoların sonuçlarını doğru bir şekilde tahmin ettiğini, geleneksel emülatörlerin ise uyum sağlayamadığını bildirdi. MIT News tarafından vurgulanan bir testte, sentetik eğitimli emülatör, bir kirleticiyi azaltırken diğer emisyonlar artmaya devam eden yerel kirletici kontrol politikasının etkilerini doğru bir şekilde yakaladı; değerlendirdikleri geleneksel olarak eğitilmiş emülatörlerin başarısız olduğu bir durum.

Womack, "İklim emülatörleri özellikle politikayla ilgili senaryoları modellemek için çok uygundur" dedi. "Bir emülatör için optimize edilmiş eğitim verileri oluşturmak amacıyla yöntemimizi kullanarak, çok daha güvenilir emülatörlerin üretimini hızlandırabiliriz, böylece politika kararları alırken çıktılarına daha iyi güvenebiliriz."

Uyarlanabilirlik önemlidir çünkü gelecek eğitim setine benzemeyecektir. Selin, "Gelecekte daha önce görmediğimiz iklimleri ve senaryoları mutlaka göreceğiz" dedi. "Bu farklı senaryoları daha sağlam bir şekilde simüle edebilirsek, ihtiyacı olan paydaşlara daha güvenilir bilgiler sağlayabiliriz."

Zamanlama neden önemlidir?

MIT'nin Veri, Sistemler ve Toplum Enstitüsü ile Dünya, Atmosfer ve Gezegen Bilimleri Bölümü'nde profesör ve Sürdürülebilirlik Bilimi ve Strateji Merkezi'nin yöneticisi olan kıdemli yazar Noelle Selin, çalışmayı iklim bilgisinin kendisi için bir tedarik zinciri düzeltmesi olarak çerçeveledi. Emülatör eğitimi aylar ya da yıllar sürebildiği için planlamacıların kullanabileceği araçlar genellikle güncelliğini yitirmiştir. "Üretim süresini kısaltarak, bu tekniğin, güncellenmiş araçların araştırmacıların ve uygulayıcıların eline geçmesi açısından oyunun kurallarını değiştireceğini düşünüyorum" dedi.

Uygulamalar akademi dünyasının çok ötesine uzanıyor: güncel iklim projeksiyonları, elektrik şebekelerinin dayanıklılığı, halk sağlığının korunması ve tarım planlamasına ilişkin kararlara bilgi sağlıyor. Ekipte ayrıca MIT'den Shahine Bouabid, Andrei Sokolov, Popat Salunke ve Glenn Flierl ile Imperial College London'dan Sebastian D. Eastham da vardı. Araştırmacıların bir sonraki hedefi, gezegenin tarihsel emsali olmayan iklim koşullarına girerken emülatörlerin sağlam kalmasını sağlamak için tekniği genişletmektir.

---

Yapay Zekanın Önünde Olun

En son yapay zeka haberlerini, analizlerini ve buluşlarını tek bir yerden alın.

Daha fazla AI haberini okuyun →