VMTech
Razgovarajmo →

MIT metoda ubrzava izradu pouzdanih AI klimatskih emulatora

MIT metoda ubrzava izradu pouzdanih AI klimatskih emulatora

Istraživači MIT-a razvili su metod obuke klimatskih AI emulatora koji za pripremu podataka može zahtevati samo jedno pokretanje složenog modela Zemljinog sistema, umesto uobičajenih šest do osam. Emulatori zatim za nekoliko sekundi simuliraju posledice ljudskih aktivnosti na buduću klimu, poput promena temperature ili nivoa mora, i omogućavaju proveru hiljada scenarija.

Rad „Optimal scenario design for climate emulation” objavljen je u časopisu Proceedings of the National Academy of Sciences. Istraživanje su vodili saradnici iz MIT-ovih jedinica EAPS, CS3 i IDSS, a podržano je u okviru projekta Bringing Computation to the Climate Challenge (BC3) i kroz Schmidt Sciences.

Zašto su klimatski emulatori važni

Klimatolozi za dugoročne projekcije koriste modele Zemljinog sistema, odnosno ESM modele. Oni fizički opisuju glavne komponente i međusobne veze klimatskog sistema, ali za projekciju samo jednog mogućeg budućeg scenarija mogu trošiti mesece rada na klasteru superračunara.

Klimatski emulator je brža AI zamena koja oponaša ponašanje punog ESM modela. Zbog kratkog vremena izvršavanja istraživači mogu da ispituju više kombinacija emisija, regionalnih intervencija i zagađivača. To je značajno za procene koje podržavaju otpornost elektroenergetskih mreža, javno zdravlje i poljoprivredne prinose.

Optimizovani sintetički scenariji

Uobičajena obuka koristi nekoliko realističnih putanja budućih emisija. MIT tim je utvrdio da takvi skupovi podataka mogu proizvesti emulatore koji slabije rade kada dobiju nepoznat ili nov scenario. Zato njihov algoritam generiše sintetičke scenarije posebno prilagođene poboljšanju prediktivnog učinka jednog emulatora.

Postupak polazi od proizvoljnog klimatskog scenarija dobijenog brzim, jednostavnijim klimatskim modelom. Zatim se meri greška emulatora u odnosu na rezultat ESM-a, a cevovod iterativno menja podatke za obuku dok greška ne dostigne zadati prag.

Sintetički skupovi ne moraju ličiti na realistične, glatke putanje emisija. Mogu, na primer, sadržati snažan rast emisija CO2 u 2050. godini ili brzo smanjenje metana 2037. godine. Takve brze promene i oscilacije emulatoru daju više informacija o celom sistemu.

Provera na neviđenim slučajevima

Emulator obučen ovom tehnikom uspešno je predvideo ishode scenarija koje nije video tokom obuke. U testu je mogao da obuhvati posledice lokalne politike smanjenja jednog zagađivača dok su druge emisije nastavile da rastu, dok tradicionalni ocenjeni emulatori nisu prošli isti test.

Sledeći koraci uključuju proveru tehnike sa scenarijem emisija koji generiše puni ESM model, primenu na druge tipove klimatskih modela i ispitivanje u širem mašinskom učenju i računarskom vidu. Za organizacije koje oslanjaju planiranje na klimatske procene, ključna poruka je da brži modeli imaju vrednost kada zadrže tačnost i prilagodljivost u scenarijima van podataka na kojima su obučeni.

#climateai#machinelearning#climatemodeling#mitresearch
Otvorena analitika
Na sajtu 3 pregleda
min čitanja 3 12.11.2026
Instagram

MIT metoda ubrzava izradu pouzdanih AI klimatskih emulatora

Otvorite objavu na Instagramu ↗