Исследователи Массачусетского технологического института разработали методику, которая ускоряет создание надежных и адаптируемых моделей искусственного интеллекта для климатических прогнозов. Такие модели называют климатическими эмуляторами: они воспроизводят работу масштабных климатических систем и за несколько секунд оценивают последствия деятельности человека для температуры, уровня моря и других показателей. Как сообщило MIT News, результаты исследования опубликованы в журнале Proceedings of the National Academy of Sciences.
Климатические эмуляторы позволяют быстро проверять тысячи различных сценариев и оценивать последствия региональных решений. Это помогает получать более точные прогнозы и выявлять неожиданные результаты мер, направленных, например, на сокращение выбросов отдельных загрязняющих веществ. Обычные модели земной климатической системы, основанные на физических расчетах, могут выполнять один сценарий месяцами даже при использовании кластеров суперкомпьютеров.
Обычно для обучения эмуляторов применяют данные по шести-восьми реалистичным сценариям будущих выбросов. Для подготовки такого набора каждый сценарий приходится отдельно рассчитывать с помощью полной климатической модели, что требует значительных времени и ресурсов. Ученые Массачусетского технологического института предложили вместо этого создавать специально оптимизированные синтетические данные, причем для их подготовки достаточно одного запуска полной модели.
Новая методика начинает работу со случайного климатического сценария, сформированного при помощи простой и быстрой модели. Затем алгоритм оценивает ошибку эмулятора и постепенно изменяет обучающие данные, чтобы повысить точность прогнозов. В синтетических сценариях могут появляться резкие колебания выбросов углекислого газа или метана, не похожие на реалистичную динамику, однако именно такие изменения позволяют модели извлекать больше информации о поведении климатической системы.
Проверка показала, что эмулятор, обученный на небольшом объеме тщательно подобранных синтетических данных, способен точно оценивать сценарии, которых не было в обучающей выборке. Традиционные эмуляторы при проверке хуже адаптировались к новым условиям. В частности, новая модель смогла учитывать последствия локальных мер по сокращению выбросов одного загрязнителя, даже если другие выбросы продолжали расти.
Авторы считают, что методика может сделать климатические эмуляторы более полезными для подготовки решений в области климатической политики. Сокращение сроков обучения позволит чаще обновлять такие инструменты и быстрее предоставлять их исследователям и практикам. В дальнейшем ученые намерены проверить подход на сценариях, созданных полной климатической моделью, а также исследовать его применение для других климатических моделей и более широкого круга задач машинного обучения и компьютерного зрения.