Проблема традиционных эмуляторов
Климатические эмуляторы — это быстрые AI-модели, имитирующие поведение сложных физических систем Земли (ESM). В то время как полные физические модели требуют месяцев работы на суперкомпьютерах для расчета одного сценария, эмуляторы выдают результат за секунды. Однако существующие методы обучения требуют запуска полной физической модели 6–8 раз для создания набора данных, что делает процесс создания новых эмуляторов долгим и дорогим. Кроме того, модели, обученные на реалистичных исторических данных, часто не справляются с новыми, нестандартными сценариями.
Решение MIT: Оптимизация через «странные» данные
Исследователи во главе с Кристофером Уомаком (ETH Zurich) и Ноэль Селин (MIT) предложили новый подход. Вместо использования реалистичных траекторий выбросов, алгоритм генерирует синтетические сценарии с высокочастотными колебаниями (например, резкий скачок CO₂ в 2050 году или быстрое падение метана в 2037-м). Эти «нереалистичные» данные заставляют AI извлекать больше информации о системе, повышая его адаптивность. Ключевое преимущество: для генерации такого набора данных достаточно запустить полную физическую модель всего один раз.
Сравнение эффективности
Новый метод кардинально меняет метрики разработки климатических инструментов. Ниже приведено сравнение традиционного подхода и новой технологии MIT:
| Параметр | Традиционный метод | Метод MIT (Optimal Scenario Design) |
|---|---|---|
| Количество запусков ESM для обучения | 6–8 раз | 1 раз |
| Тип обучающих данных | Реалистичные сценарии | Синтетические с высокочастотными колебаниями |
| Скорость работы эмулятора | Секунды | Секунды |
| Точность на новых сценариях | Низкая (не адаптируется) | Высокая (прогнозирует неизвестное) |
| Время создания модели | Месяцы/годы | Значительно сокращено |
Значение для политики и науки
Результаты исследования, опубликованные в Proceedings of the National Academy of Sciences, показывают, что эмуляторы, обученные по новому алгоритму, способны точно предсказывать последствия локальных политик (например, снижение одного типа загрязнителей при росте других), чего не смогли сделать традиционные модели. Это позволяет политикам и ученым быстрее тестировать стратегии адаптации к изменению климата, опираясь на надежные и актуальные прогнозы, а не на устаревшие данные.
Источник: MIT News AI ↗