Các nhà nghiên cứu của MIT đã phát triển một kỹ thuật đào tạo tạo ra các mô hình khí hậu AI nhanh, có khả năng thích ứng bằng cách sử dụng một phần dữ liệu thường được yêu cầu. Họ cho rằng một bước có thể cắt giảm thời gian sản xuất các công cụ này từ nhiều tháng hoặc nhiều năm xuống mức có thể sử dụng được nhiều hơn cho các quyết định chính sách. Nghiên cứu xuất hiện trong tuần này trong Kỷ yếu của Viện Hàn lâm Khoa học Quốc gia.

Các mô hình được đề cập là các trình mô phỏng khí hậu: các hệ thống thay thế AI nhỏ gọn bắt chước hoạt động của các mô hình hệ thống trái đất quy mô đầy đủ (ESM). ESM là công cụ chính của khoa học khí hậu - những mô phỏng khổng lồ dựa trên vật lý dự đoán nhiệt độ, lượng mưa và mực nước biển phản ứng thế nào với phát thải khí nhà kính - nhưng một kịch bản tương lai có thể mất vài tháng để chạy trên một cụm siêu máy tính. Ngược lại, các trình mô phỏng chạy trong vài giây, cho phép các nhà khoa học thử nghiệm hàng nghìn kịch bản, thăm dò các tác động trong khu vực và các chất gây ô nhiễm cụ thể, đồng thời đánh dấu các kết quả không mong đợi của các biện pháp can thiệp chính sách. Để biết thông tin liên tục về vai trò ngày càng mở rộng của AI trong khoa học, hãy theo dõi tin tức nghiên cứu AI của chúng tôi.

Vấn đề: dữ liệu huấn luyện thực tế khiến mô hình trở nên mỏng manh

Khi các nhà nghiên cứu xây dựng một trình mô phỏng khí hậu, họ thường huấn luyện nó về sáu đến tám kịch bản phát thải trong tương lai theo quỹ đạo thực tế. Mỗi cái phải được chạy qua một ESM đầy đủ để tạo ra dữ liệu huấn luyện, điều này khiến cho việc tạo tập dữ liệu trở nên tốn kém và chậm chạp. Nhóm MIT trước đây đã xác định được một dạng lỗi khó phát hiện: các trình mô phỏng được đào tạo về các tình huống thực tế có thể hoạt động kém hơn khi được yêu cầu dự đoán các tình huống lạ hoặc mới – chính xác là các tình huống mà các nhà hoạch định chính sách ngày càng cần khám phá.

Christopher Womack PhD '26, hiện là postdoc tại ETH Zurich và là tác giả chính của bài báo, cho biết: "Thuật toán của chúng tôi có thể tạo ra một số tình huống kỳ lạ trông không giống một tương lai thực tế, nhưng chúng tôi không quan tâm lắm liệu các kịch bản đào tạo có thực tế hay không". "Chúng tôi chỉ đang cố gắng tạo ra tập dữ liệu tốt nhất có thể để đào tạo trình mô phỏng."

Một lần chạy ESM thay vì tám lần

Kỹ thuật mới đảo ngược đường ống thông thường. Thay vì tập hợp các kịch bản thực tế, thuật toán tạo ra các kịch bản tổng hợp được tối ưu hóa phù hợp để tối đa hóa kỹ năng dự đoán của trình mô phỏng cụ thể. Quá trình này bắt đầu với một kịch bản tùy ý chạy qua một mô hình khí hậu đơn giản, nhanh chóng, đo lường mức độ trình mô phỏng tái tạo kết quả đầy đủ của ESM, sau đó làm xáo trộn dữ liệu huấn luyện một cách lặp đi lặp lại — chẳng hạn như tăng mạnh lượng khí thải CO2 vào năm 2050 hoặc cắt giảm khí mê-tan nhanh chóng vào năm 2037 — cho đến khi lỗi của trình mô phỏng giảm xuống dưới ngưỡng.

Các kịch bản tổng hợp thu được trông không giống những quỹ đạo trơn tru trong thế giới thực. Womack cho biết: “Bằng cách giới thiệu những dao động và lắc lư tần số cao này, dữ liệu của chúng tôi cho phép trình mô phỏng trích xuất nhiều thông tin hơn về toàn bộ hệ thống”. Lợi ích thực tế là rất đáng kể: trong đó việc xây dựng một tập huấn luyện từng yêu cầu chạy ESM đầy đủ sáu đến tám lần, thì giờ đây người dùng chỉ cần một lần chạy.

Vượt qua bài kiểm tra mô hình truyền thống không thành công

Các nhà nghiên cứu báo cáo rằng trình mô phỏng được đào tạo bằng phương pháp của họ đã dự đoán chính xác kết quả của các tình huống mà nó chưa từng thấy trong quá trình đào tạo, trong khi trình mô phỏng truyền thống không thể thích ứng được. Trong một thử nghiệm được MIT News nhấn mạnh, trình mô phỏng được đào tạo tổng hợp đã nắm bắt chính xác tác động của chính sách kiểm soát chất gây ô nhiễm cục bộ giúp giảm một chất gây ô nhiễm trong khi lượng khí thải khác tiếp tục tăng – một trường hợp mà các trình mô phỏng được đào tạo thông thường mà họ đánh giá đã thất bại.

Womack cho biết: “Trình mô phỏng khí hậu đặc biệt phù hợp để lập mô hình các kịch bản liên quan đến chính sách”. "Bằng cách sử dụng phương pháp của chúng tôi để tạo dữ liệu đào tạo được tối ưu hóa cho trình mô phỏng, chúng tôi có thể tăng tốc độ sản xuất các trình mô phỏng đáng tin cậy hơn nhiều, nhờ đó chúng tôi có thể tin cậy hơn vào kết quả đầu ra của chúng để đưa ra quyết định chính sách."

Khả năng thích ứng rất quan trọng vì tương lai sẽ không giống với tập huấn luyện. Selin nói: “Trong tương lai, chúng ta chắc chắn sẽ chứng kiến ​​những hiện tượng khí hậu và kịch bản chưa từng thấy trước đây”. “Nếu chúng tôi có thể mô phỏng các kịch bản khác nhau này một cách mạnh mẽ hơn, chúng tôi có thể cung cấp thông tin đáng tin cậy hơn cho các bên liên quan cần thông tin đó.”

Tại sao thời gian lại quan trọng

Tác giả cao cấp Noelle Selin, giáo sư tại Viện Dữ liệu, Hệ thống và Xã hội của MIT và Khoa Khoa học Trái đất, Khí quyển và Hành tinh, đồng thời là giám đốc Trung tâm Chiến lược và Khoa học Bền vững, đã coi công trình này như một bản sửa lỗi chuỗi cung ứng cho chính thông tin về khí hậu. Bởi vì việc đào tạo trình mô phỏng có thể mất nhiều tháng hoặc nhiều năm nên các công cụ dành cho người lập kế hoạch thường lỗi thời. Cô nói: “Bằng cách cắt giảm thời gian sản xuất, tôi nghĩ kỹ thuật này sẽ thay đổi cuộc chơi về mặt đưa các công cụ cập nhật đến tay các nhà nghiên cứu và thực hành”.

Các ứng dụng này mở rộng ra ngoài giới hạn học thuật: các dự báo khí hậu cập nhật đưa ra các quyết định về khả năng phục hồi của lưới điện, bảo vệ sức khỏe cộng đồng và quy hoạch nông nghiệp. Nhóm còn có Shahine Bouabid, Andrei Sokolov, Popat Salunke và Glenn Flierl của MIT, và Sebastian D. Eastham của Imperial College London. Mục tiêu tiếp theo của các nhà nghiên cứu là mở rộng kỹ thuật này để các trình mô phỏng vẫn hoạt động mạnh mẽ khi hành tinh bước vào các điều kiện khí hậu chưa từng có tiền lệ trong lịch sử.

---

Đi trước AI

Nhận tin tức, phân tích và đột phá mới nhất về AI — tất cả ở cùng một nơi.

Đọc thêm tin tức về AI →