Przejdź do treści
5 min czytania

MIT: nowa metoda trenowania emulatorów klimatu przy ułamku danych

Naukowcy z MIT opracowali metodę trenowania emulatorów klimatu na syntetycznych scenariuszach. Trening wymaga jednego przebiegu ESM zamiast sześciu–ośmiu.

Naukowcy z MIT opracowali metodę trenowania emulatorów klimatu, czyli wyspecjalizowanych modeli AI, które w kilka sekund symulują wpływ działalności człowieka na przyszły klimat. Nowa technika poprawia trafność i elastyczność tych modeli, a do ich wytrenowania potrzebuje jedynie ułamka danych wymaganych dotychczas. Szczegóły opisuje komunikat MIT News o badaniu. Praca, zatytułowana „Optimal scenario design for climate emulation”, ukazała się w tym tygodniu w czasopiśmie Proceedings of the National Academy of Sciences.

Badacze wychodzą od prostej obserwacji: aktualne prognozy klimatyczne są potrzebne przy planowaniu odporności sieci energetycznych, ochronie zdrowia publicznego czy maksymalizacji plonów. Narzędzia, które takie prognozy dostarczają, powstają jednak na tyle długo, że często są nieaktualne, zanim trafią do użytkowników.

Najważniejsze informacje

  • Zespół MIT opracował algorytm, który generuje syntetyczny, zoptymalizowany zbiór scenariuszy klimatycznych do trenowania konkretnego emulatora.
  • Zamiast uruchamiać pełny model systemu Ziemi (ESM) sześć do ośmiu razy, wystarczy jeden przebieg. Pojedyncza symulacja w ESM może trwać miesiące na klastrze superkomputerów.
  • Emulator wytrenowany na mniejszym, starannie dobranym zbiorze danych trafnie przewidywał wyniki scenariuszy, których nie widział podczas treningu. Tradycyjne emulatory nie radziły sobie z nowymi sytuacjami.
  • Syntetyczne scenariusze nie przypominają realistycznych trajektorii emisji. Zawierają gwałtowne skoki i oscylacje, dzięki którym model wydobywa więcej informacji o całym systemie.
  • Autorzy liczą, że metoda skróci czas tworzenia emulatorów i zwiększy zaufanie do ich wyników przy podejmowaniu decyzji politycznych.

Dlaczego emulatory są potrzebne

Długoterminowe projekcje zmian globalnej temperatury czy opadów w odpowiedzi na różne poziomy emisji gazów cieplarnianych powstają zwykle w modelach systemu Ziemi (ang. earth system models, ESM). To ogromne modele oparte na fizyce, które bardzo szczegółowo odwzorowują główne składniki klimatu i zależności między nimi. Ich moc ma jednak wysoką cenę. Obliczenia mogą trwać miesiące na klastrze superkomputerów, a dotyczą tylko jednego możliwego scenariusza przyszłości.

Zespół prof. Noelle E. Selin projektuje emulatory klimatu, czyli szybkie modele zastępcze AI, które naśladują zachowanie pełnoskalowych ESM. Emulator działa w kilka sekund, więc naukowcy mogą sprawnie przetestować tysiące wariantów. Daje to bardziej wiarygodne oszacowania i pozwala wychwycić nieoczekiwane skutki interwencji regionalnych, a także badać wpływ konkretnych zanieczyszczeń.

„Emulatory klimatu działają w zaledwie kilka sekund, więc naprawdę poszerzają to, co możemy zrobić, eksplorując przyszłe scenariusze klimatyczne” — mówi Christopher Womack, główny autor pracy.

Problem leży w danych treningowych. Emulatory uczy się zazwyczaj na sześciu do ośmiu przyszłych scenariuszach opartych na realistycznych trajektoriach emisji. Każdy z nich trzeba przepuścić przez pełny ESM, więc przygotowanie takiego zbioru jest kosztowne i czasochłonne. Badacze z MIT ustalili niedawno, że trenowanie na realistycznych scenariuszach może dawać emulatory słabo przewidujące sytuacje nowe lub nietypowe.

Jak działa nowa metoda

Nowe podejście odwraca dotychczasową logikę. Celem nie jest już realizm danych treningowych, tylko ich użyteczność dla modelu.

„Nasz algorytm może generować dziwne scenariusze, które w niczym nie przypominają realistycznej przyszłości, ale nie przejmujemy się tym, czy scenariusze treningowe są realistyczne. Próbujemy po prostu stworzyć najlepszy możliwy zbiór danych do wytrenowania emulatora” — wyjaśnia Womack.

Procedura przebiega w kilku krokach:

  1. Badacze generują dowolny scenariusz klimatyczny za pomocą szybkiego i prostego modelu klimatu.
  2. Sprawdzają, jak dobrze emulator odtwarza wyniki modelu, i otrzymują w ten sposób miarę błędu.
  3. Technika programistyczna zastosowana w potoku treningowym pozwala iteracyjnie modyfikować dane treningowe, tak by zwiększać zdolności predykcyjne emulatora. Algorytm może na przykład gwałtownie zwiększyć emisje CO₂ w 2050 roku albo szybko obniżyć emisje metanu w 2037 roku.
  4. Optymalizacja trwa, dopóki błąd emulatora nie spadnie do określonego progu.

W efekcie powstają scenariusze emisji, które zamiast gładkich trajektorii zawierają gwałtowne zmiany.

„Wprowadzając te wysokoczęstotliwościowe wahania i oscylacje, nasze dane pozwalają emulatorowi wydobyć znacznie więcej informacji o całym systemie” — tłumaczy Womack.

Wygenerowane scenariusze służą następnie do wytrenowania emulatora, który jest dokładniejszy i lepiej się adaptuje. Badacze podają konkretny przykład: emulator wytrenowany nową metodą potrafi uchwycić skutki lokalnych polityk ograniczania zanieczyszczeń, w których emisja jednej substancji spada, a pozostałe nadal rosną. Tradycyjne emulatory ocenione przez zespół nie przeszły tego testu.

Problem uczenia przy ograniczonej liczbie danych pojawia się w pracach MIT także w innych dziedzinach. Pisaliśmy o tym przy okazji modelu CheMeleon, który przewiduje właściwości cząsteczek przy niewielu danych.

Znaczenie dla polityki klimatycznej

Autorzy podkreślają, że chodzi nie tylko o szybkość obliczeń, ale przede wszystkim o wiarygodność narzędzi wykorzystywanych przy decyzjach publicznych.

„Emulatory klimatu szczególnie dobrze nadają się do modelowania scenariuszy istotnych z punktu widzenia polityki. Wykorzystując naszą metodę do generowania zoptymalizowanych danych treningowych, możemy przyspieszyć tworzenie znacznie bardziej niezawodnych emulatorów, dzięki czemu możemy bardziej ufać ich wynikom przy podejmowaniu decyzji politycznych” — mówi Womack. Uzyskał on doktorat na MIT w 2026 roku, a obecnie pracuje jako postdok w ETH Zurich.

Prof. Selin zwraca uwagę, że przyszłość przyniesie warunki, z którymi modele dotąd się nie zetknęły:

„W przyszłości z pewnością zobaczymy klimaty i scenariusze, jakich wcześniej nie widzieliśmy. Jeśli będziemy w stanie symulować te różne scenariusze w bardziej odporny sposób, możemy dostarczać bardziej wiarygodnych informacji interesariuszom, którzy ich potrzebują.”

Według Selin największą wartością metody jest skrócenie cyklu produkcji emulatorów:

„To niezwykle ważny element całego procesu tworzenia użytecznych narzędzi, które odpowiadają na potrzeby interesariuszy. Ponieważ trenowanie emulatora może trwać miesiące, a nawet lata, emulatory, którymi dysponujemy, są zwykle nieaktualne. Skracając czas ich produkcji, ta technika moim zdaniem zmieni reguły gry, jeśli chodzi o dostarczanie zaktualizowanych narzędzi badaczom i praktykom.”

Zespół i dalsze kroki

Oprócz Womacka i Selin współautorami pracy są:

  • Shahine Bouabid, postdok w Departamencie Nauk o Ziemi, Atmosferze i Planetach MIT (EAPS),
  • Andrei Sokolov, naukowiec w Center for Sustainability Science and Strategy (CS3) MIT,
  • Popat Salunke, postdok w CS3,
  • Glenn Flierl, profesor oceanografii w EAPS,
  • Sebastian D. Eastham, profesor nadzwyczajny w Imperial College London.

Noelle E. Selin, autorka senioralna, jest profesorem w MIT Institute for Data, Systems, and Society (IDSS) i w EAPS oraz dyrektorką CS3.

Kolejnym krokiem będzie przetestowanie techniki na scenariuszu emisji wygenerowanym przez pełny model ESM. Zespół chce też zastosować metodę do innych typów modeli klimatycznych i sprawdzić jej skuteczność w szerszych zastosowaniach uczenia maszynowego oraz widzenia komputerowego.

Badanie powstało w ramach projektu Bringing Computation to the Climate Challenge (BC3) przy wsparciu Schmidt Sciences w ramach programu MIT Grand Challenges.

Praca zespołu MIT pokazuje, że w trenowaniu emulatorów klimatu staranny dobór danych może znaczyć więcej niż ich realizm. Jeśli metoda sprawdzi się na danych z pełnych modeli ESM, decydenci mogą szybciej otrzymywać aktualne narzędzia do oceny skutków polityk klimatycznych.

Udostępnij

Źródła

Powrót do nawigacji