Дослідники Массачусетського технологічного інституту розробили методику навчання, яка створює швидкі кліматичні моделі штучного інтелекту, що адаптуються, використовуючи частину даних, які зазвичай потрібні. Цей крок, за їхніми словами, може скоротити час виробництва цих інструментів з місяців або років до чогось набагато більш придатного для прийняття політичних рішень. Дослідження опубліковано цього тижня в Proceedings of the National Academy of Sciences.
Моделі, про які йде мова, є емуляторами клімату: компактними сурогатними системами ШІ, які імітують поведінку повномасштабних моделей земної системи (ESM). ESM — це робочі конячки науки про клімат — величезні симуляції на основі фізики, які проектують, як температура, опади та рівень моря реагують на викиди парникових газів, — але для виконання одного сценарію майбутнього на кластері суперкомп’ютерів можуть знадобитися місяці. Емулятори, навпаки, запускаються за лічені секунди, дозволяючи вченим тестувати тисячі сценаріїв, досліджувати регіональні впливи та конкретні забруднювачі, а також позначати несподівані результати втручання політики. Слідкуйте за нашими [дослідницькими новинами штучного інтелекту] (https://aibuzzwire.news), щоб постійно висвітлювати зростаючу роль ШІ в науці.
Проблема: реалістичні навчальні дані роблять моделі крихкими
Коли дослідники створюють емулятор клімату, вони зазвичай тренують його на шести-восьми майбутніх сценаріях викидів, які слідують реалістичним траєкторіям. Кожен з них має пройти через повний ESM, щоб отримати навчальні дані, що робить створення наборів даних дорогим і повільним. Команда Массачусетського технологічного інституту раніше виявила непомітний режим збою: емулятори, навчені реалістичним сценаріям, можуть погано працювати, коли їх просять передбачити незнайомі або нові ситуації — саме ті ситуації, які політикам все частіше потрібно досліджувати.
«Наш алгоритм може генерувати якісь дивні сценарії, які зовсім не схожі на реалістичне майбутнє, але нам байдуже, чи є сценарії навчання реалістичними», — сказав у MIT News Крістофер Вомак, доктор філософії '26, нині постдок в ETH Zurich і провідний автор статті. «Ми просто намагаємося створити найкращий набір даних для навчання емулятора».
Один запуск ESM замість восьми
Нова техніка інвертує звичний конвеєр. Замість того, щоб складати реалістичні сценарії, алгоритм генерує оптимізовані синтетичні сценарії, розроблені для максимального підвищення навичок прогнозування конкретного емулятора. Процес починається з довільного сценарію, який проходить через швидку, просту кліматичну модель, вимірює, наскільки добре емулятор відтворює повні результати ESM, а потім ітеративно змінює навчальні дані — різко підвищуючи викиди CO2 у 2050 році, скажімо, або різко скорочуючи метан у 2037 — доки помилка емулятора не впаде нижче порогового значення.
Отримані синтетичні сценарії зовсім не схожі на плавні траєкторії реального світу. «Завдяки введенню цих високочастотних коливань і коливань наші дані дозволяють емулятору отримувати набагато більше інформації про систему в цілому», — сказав Вомак. Практична вигода є суттєвою: коли для створення навчального набору потрібно було запустити повний ESM шість-вісім разів, тепер користувачеві потрібен один запуск.
Пройти тест традиційні моделі не вдалося
Дослідники повідомляють, що емулятор, навчений за їхнім методом, точно передбачив результати сценаріїв, яких він ніколи не бачив під час навчання, тоді як традиційні емулятори не змогли адаптуватися. В одному тесті, описаному в MIT News, емулятор із синтетичним навчанням правильно відобразив наслідки локальної політики контролю над забруднювачами, яка зменшує викиди одного забруднювача, тоді як інші викиди продовжують зростати — випадок, коли емулятори зі звичайним навчанням, які вони оцінювали, зазнали невдачі.
«Кліматичні емулятори особливо добре підходять для моделювання політичних сценаріїв», — сказав Вомак. «Використовуючи наш метод для генерації оптимізованих навчальних даних для емулятора, ми можемо пришвидшити виробництво набагато надійніших емуляторів, щоб ми могли краще довіряти їхнім результатам для прийняття політичних рішень».
Адаптивність має значення, тому що майбутнє не буде нагадувати навчальний набір. «У майбутньому ми точно побачимо клімат і сценарії, яких раніше не бачили», — сказав Селін. «Якщо ми зможемо симулювати ці різні сценарії більш надійно, ми зможемо надати більш надійну інформацію зацікавленим сторонам, які її потребують».
Чому час має значення
Старший автор Ноель Селін, професор Інституту даних, систем і суспільства Массачусетського технологічного інституту та Департаменту наук про Землю, атмосферу та планети, а також директор Центру науки та стратегії сталого розвитку, представила цю роботу як виправлення ланцюга постачання самої кліматичної інформації. Оскільки навчання емулятора може тривати місяцями або роками, інструменти, доступні планувальникам, часто застаріли. «Зменшивши цей час виробництва, я думаю, ця техніка змінить правила гри з точки зору отримання оновлених інструментів у руках дослідників і практиків», — сказала вона.
Застосування виходять далеко за межі наукових кіл: сучасні кліматичні прогнози дають змогу приймати рішення щодо стійкості електромережі, охорони здоров’я та сільськогосподарського планування. До команди також увійшли Шахіне Буабід, Андрій Соколов, Попат Салунке та Гленн Флірл з Массачусетського технологічного інституту та Себастьян Д. Істхем з Імперського коледжу Лондона. Наступна мета дослідників — розширити техніку, щоб емулятори залишалися надійними, коли планета входить в кліматичні умови без історичних прецедентів.
---
Будьте попереду ШІОтримуйте останні новини штучного інтелекту, аналіз і прориви — усе в одному місці.
Читати більше новин AI →
