Учёные MIT разработали новый метод обучения ИИ для более точного прогнозирования климата
Исследователи Массачусетского технологического института (MIT) разработали метод обучения искусственного интеллекта, позволяющий значительно быстрее создавать модели для прогнозирования климатических изменений. Вместо шести–восьми сложных компьютерных симуляций новая технология использует всего один специально подготовленный сценарий. При этом обученные модели способны точнее оценивать последствия изменения выбросов парниковых газов, в том числе в условиях, которых не было в исходных данных.
В основе разработки лежит алгоритм, который самостоятельно подбирает наиболее информативные сценарии изменения выбросов углекислого газа, метана и других веществ. В отличие от традиционных подходов, исследователи не ограничивают обучение реалистичными вариантами развития событий. Алгоритм может искусственно увеличить выбросы CO₂ в 2050 году или резко сократить выбросы метана в 2037-м, чтобы проверить реакцию климатической системы на необычные изменения.
Такие сценарии помогают нейросети лучше распознавать физические закономерности, определяющие климат. Резкие колебания концентраций различных веществ позволяют отделить влияние парниковых газов от воздействия аэрозолей и других факторов. В результате модель учится воспроизводить не только знакомые последовательности изменений, но и ситуации, существенно отличающиеся от обучающих примеров.
Обычно для долгосрочного прогнозирования климата учёные используют комплексные модели земной системы, учитывающие взаимодействие атмосферы, океанов, суши и других компонентов. Расчёт одного сценария на суперкомпьютере может занимать несколько месяцев. Поэтому исследователи создают климатические эмуляторы — компактные модели на основе машинного обучения, способные выполнять аналогичные расчёты за считаные секунды.
Однако качество таких эмуляторов зависит от исходных данных. Если нейросеть обучалась только на нескольких реалистичных сценариях, она может ошибаться при анализе принципиально новых условий. Для решения этой проблемы специалисты MIT создали алгоритм, который многократно изменяет обучающие сценарии, оценивает ошибки предсказаний и подбирает параметры, наиболее полезные для обучения.
Испытания показали, что эмулятор, обученный на одном оптимизированном сценарии, превзошёл модель, использовавшую шесть стандартных сценариев международного проекта ScenarioMIP. Разработанный подход также позволил лучше воспроизводить последствия локального сокращения загрязняющих выбросов, даже если концентрации других веществ продолжали увеличиваться.
Технология может ускорить подготовку климатических прогнозов для энергетики, сельского хозяйства и планирования природоохранных мероприятий. Например, с её помощью можно быстрее оценивать влияние различных вариантов сокращения выбросов на региональную температуру и другие климатические показатели.
Пока новый метод проверен на упрощённых моделях и моделях промежуточной сложности. Следующим этапом станет испытание с использованием полноценной комплексной модели земной системы. Исследователи также намерены изучить применение технологии в других задачах машинного обучения и компьютерного зрения.
Исследование в журнале Proceedings of the National Academy of Sciences (PNAS).