MIT сократил обучение климатических ИИ-эмуляторов до одного запуска модели

Исследователи MIT разработали метод обучения климатических ИИ-эмуляторов, для которого требуется один запуск полной модели земной системы вместо обычных шести—восьми. Быстрые модели-заменители рассчитывают последствия сценариев человеческой деятельности для температуры, уровня моря и других параметров за секунды, тогда как детальные физические модели могут работать месяцами на кластере суперкомпьютеров.
Работа «Optimal scenario design for climate emulation» опубликована в Proceedings of the National Academy of Sciences. Авторы предлагают не собирать обучающие данные только из реалистичных траекторий будущих выбросов, а синтезировать сценарии, которые эффективнее раскрывают поведение базовой климатической модели.
Не реалистичность сценария, а качество обучения
Климатические эмуляторы имитируют результаты полноразмерных Earth System Models. Благодаря скорости они позволяют проверить тысячи вариантов будущего климата, включая последствия региональных мер по контролю загрязнений. Однако создание обучающего набора требует дорогостоящих запусков физической модели, а модели, обученные на привычных сценариях, могут плохо справляться с незнакомыми условиями.
Алгоритм MIT начинает с произвольного сценария, сформированного быстрой упрощённой климатической моделью. Затем он сравнивает ответ эмулятора с результатом полной модели и использует полученную ошибку для последовательной корректировки обучающих данных.
В ходе оптимизации система может, например, резко увеличить выбросы CO2 в 2050 году или быстро сократить выбросы метана в 2037-м. Получающиеся траектории не похожи на плавные реалистичные прогнозы: в них возникают быстрые изменения и колебания. По словам ведущего автора Кристофера Уомака, такие вариации дают эмулятору больше информации об устройстве климатической системы.
Проверка на локальных мерах
Авторы показали, что эмулятор, обученный на небольшом объёме специально подобранных синтетических данных, точно предсказывал результаты сценариев, которых не было в обучении. В частности, он смог отразить последствия местной политики по снижению одного загрязнителя при продолжающемся росте других выбросов. Обычные эмуляторы, с которыми его сравнивали, этот тест не прошли.
Метод разрабатывали специалисты MIT, включая сотрудников Center for Sustainability Science and Strategy и Department of Earth, Atmospheric and Planetary Sciences; в работе также участвовал исследователь Imperial College London. Проект входил в инициативу Bringing Computation to the Climate Challenge и получил поддержку Schmidt Sciences через MIT Grand Challenges.
Что это меняет для практики
Подход может сократить время выпуска обновлённых климатических эмуляторов: по оценке авторов, их обучение обычно занимает месяцы или годы, из-за чего доступные инструменты нередко устаревают. При этом технология не отменяет необходимость в полных физических моделях — она использует их результаты для обучения и проверки.
Далее команда намерена протестировать технику на сценарии выбросов, созданном полноценной моделью земной системы, применить её к другим климатическим моделям и оценить переносимость на задачи машинного обучения и компьютерного зрения. Для организаций, принимающих решения по энергетике, здравоохранению и сельскому хозяйству, практический смысл заключается в более быстром сравнении климатических вариантов при сохранении проверки результатов базовыми моделями.

