Proste modele klimatyczne mogą być skuteczniejsze niż uczenie głębokie

W obliczu narastających wyzwań klimatycznych, naukowcy coraz częściej sięgają po zaawansowane modele sztucznej inteligencji (AI) do prognozowania zmian pogodowych i klimatycznych. Jednak nowe badanie przeprowadzone przez naukowców z MIT podważa przekonanie, że większe i bardziej złożone modele zawsze prowadzą do lepszych wyników. Okazuje się, że w pewnych scenariuszach klimatycznych prostsze, oparte na prawach fizyki modele, mogą generować dokładniejsze prognozy niż najnowocześniejsze modele uczenia głębokiego.

Zespół badawczy wykazał również, że powszechnie stosowana technika benchmarkingu, służąca do oceny algorytmów uczenia maszynowego w kontekście prognoz klimatycznych, może być zaburzona przez naturalne wahania w danych, takie jak fluktuacje wzorców pogodowych. To z kolei może prowadzić do błędnego przekonania o wyższej dokładności modeli uczenia głębokiego, podczas gdy w rzeczywistości tak nie jest. Badacze opracowali bardziej niezawodny sposób oceny tych technik, który ujawnia, że proste modele są dokładniejsze w szacowaniu regionalnych temperatur powierzchni, natomiast podejścia oparte na uczeniu głębokim mogą być lepszym wyborem do szacowania lokalnych opadów.

Krytyczne spojrzenie na uczenie głębokie w modelowaniu klimatu

Wyniki badania stanowią przestrogę przed bezkrytycznym wdrażaniem dużych modeli AI w naukach o klimacie. O ile modele uczenia głębokiego osiągnęły imponujące sukcesy w dziedzinach takich jak przetwarzanie języka naturalnego, to klimatologia opiera się na sprawdzonym zbiorze praw fizycznych i aproksymacji. Wyzwaniem staje się zatem skuteczne włączenie tej wiedzy do modeli AI.

„Staramy się rozwijać modele, które będą użyteczne i istotne dla decydentów podejmujących decyzje dotyczące polityki klimatycznej. Choć wykorzystanie najnowszego, zaawansowanego modelu uczenia maszynowego do problemu klimatycznego może być atrakcyjne, to to badanie pokazuje, że warto się cofnąć i naprawdę zastanowić nad fundamentalnymi aspektami problemu”, mówi Noelle Selin, profesor w MIT Institute for Data, Systems, and Society (IDSS) i Department of Earth, Atmospheric and Planetary Sciences (EAPS), a także dyrektor Center for Sustainability Science and Strategy.

Emulatory klimatyczne pod lupą

Ze względu na złożoność klimatu Ziemi, uruchomienie zaawansowanego modelu klimatycznego w celu przewidzenia wpływu zanieczyszczeń na czynniki środowiskowe, takie jak temperatura, może trwać tygodniami na najpotężniejszych superkomputerach. Naukowcy często tworzą zatem emulatory klimatyczne – uproszczone przybliżenia zaawansowanych modeli, które są szybsze i bardziej dostępne. Decydent może wykorzystać emulator klimatyczny, aby sprawdzić, jak alternatywne założenia dotyczące emisji gazów cieplarnianych wpłyną na przyszłe temperatury, co pomoże w opracowaniu regulacji.

Badacze z MIT porównali tradycyjną technikę zwaną liniowym skalowaniem wzorców (LPS) z modelem uczenia głębokiego, wykorzystując powszechny zbiór danych benchmarkowych do oceny emulatorów klimatycznych. Wyniki pokazały, że LPS dało lepsze wyniki niż modele uczenia głębokiego w przewidywaniu niemal wszystkich testowanych parametrów, w tym temperatury i opadów.

„Duże metody AI są bardzo atrakcyjne dla naukowców, ale rzadko rozwiązują całkowicie nowy problem, dlatego wdrożenie istniejącego rozwiązania jest konieczne, aby sprawdzić, czy złożone podejście uczenia maszynowego faktycznie je poprawia”, mówi Björn Lütjens, główny autor badania.

Nowa metoda oceny

Początkowe wyniki wydawały się przeczyć wiedzy badaczy. Potężny model uczenia głębokiego powinien być dokładniejszy w prognozowaniu opadów, ponieważ te dane nie podążają za liniowym wzorcem. Odkryto, że duża zmienność w przebiegach modelu klimatycznego może powodować słabe wyniki modelu uczenia głębokiego w przypadku nieprzewidywalnych oscylacji długoterminowych, takich jak El Niño/La Niña. To z kolei zawyża wyniki benchmarkingu na korzyść LPS, który uśrednia te oscylacje.

Naukowcy opracowali nową ocenę, wykorzystującą większy zbiór danych, który uwzględnia naturalną zmienność klimatu. W tej nowej ocenie model uczenia głębokiego wypadł nieznacznie lepiej niż LPS w przypadku lokalnych opadów, ale LPS nadal był dokładniejszy w prognozowaniu temperatury.

„Ważne jest, aby używać narzędzia modelowania odpowiedniego do danego problemu, ale aby to zrobić, trzeba najpierw odpowiednio skonfigurować problem”, mówi Selin.

Na podstawie tych wyników badacze włączyli LPS do platformy emulacji klimatu, aby przewidywać lokalne zmiany temperatury w różnych scenariuszach emisji. Mają nadzieję, że ich wyniki podkreślają potrzebę opracowania lepszych technik benchmarkingu, które mogłyby zapewnić pełniejszy obraz tego, która technika emulacji klimatu jest najlepiej dopasowana do konkretnej sytuacji.

„Dzięki ulepszonemu benchmarkowi emulacji klimatu moglibyśmy wykorzystać bardziej złożone metody uczenia maszynowego do badania problemów, które są obecnie bardzo trudne do rozwiązania, takich jak wpływ aerozoli lub szacunki ekstremalnych opadów”, podsumowuje Lütjens. Dokładniejsze techniki benchmarkingu pomogą decydentom podejmować decyzje na podstawie najlepszych dostępnych informacji.