Modele AI pentru climă antrenate mai ieftin: un singur rulaj al modelului complet în loc de șase până la opt
Cercetători de la MIT au găsit o metodă de a antrena emulatoarele climatice pe date sintetice optimizate, nu pe multe scenarii rulate pe supercomputere. Merge mai repede și a reușit un caz pe care metodele obișnuite l-au ratat.
Cercetători de la MIT au propus un algoritm care reduce mult munca necesară pentru a antrena modele AI rapide de predicție climatică. Lucrarea, „Optimal scenario design for climate emulation", a apărut în Proceedings of the National Academy of Sciences (PNAS), iar primul autor este Christopher Womack, doctor MIT din 2026, acum postdoctorand la ETH Zurich. Autor senior este Noelle E. Selin.
Problema
Emulatoarele climatice sunt modele AI care imită modelele complete ale sistemului Pământ. Un model complet poate dura luni de zile pe un cluster de supercomputere pentru un singur scenariu, în timp ce emulatorul răspunde în câteva secunde, spune Womack. Practica obișnuită cere antrenarea emulatorului pe șase până la opt scenarii realiste de emisii, fiecare rulat integral cu modelul mare.
Soluția
Echipa generează în schimb un set de date de antrenare sintetic și optimizat. Pornește de la un scenariu oarecare produs de un model climatic simplu și rapid, măsoară eroarea emulatorului și actualizează iterativ datele până când eroarea ajunge sub un prag. Scenariile rezultate au variații rapide, nu traiectorii line, iar autorii susțin că acest lucru îl ajută pe emulator să învețe mai mult despre sistem. Utilizatorul trebuie să ruleze modelul complet o singură dată.
Rezultatul și limitele
Potrivit MIT, abordarea a reușit un caz nou de test pe care emulatoarele obișnuite l-au ratat: controlul local al unui poluant, în timp ce alte emisii continuă să crească. Articolul nu dă factori numerici de accelerare sau metrici de acuratețe, doar spune că e nevoie de o fracțiune din datele de obicei necesare. Este cercetare publicată și evaluată, nu o aplicație în uz. Pașii următori anunțați sunt testarea cu un scenariu generat de un model complet, aplicarea pe alte modele climatice și explorarea altor utilizări în învățarea automată. Lucrarea a fost finanțată prin proiectul Bringing Computation to the Climate Challenge, susținut de Schmidt Sciences.
Sursă: MIT News