MIT Mengembangkan Optimasi Skenario Emisi untuk Meningkatkan Akurasi Prediksi Iklim

·oleh Henderson·Engineering
MIT Mengembangkan Optimasi Skenario Emisi untuk Meningkatkan Akurasi Prediksi Iklim
Poin Penting
  • MIT mengembangkan metode baru untuk meningkatkan akurasi simulator iklim.
  • Simulator ini dapat menyelesaikan pengujian skenario dalam hitungan detik, lebih efisien dibandingkan model tradisional.
  • Fluktuasi kurva emisi dari skenario yang dioptimalkan memberikan lebih banyak informasi sistem.
  • Model yang disederhanakan menunjukkan deviasi suhu hingga 4.5 derajat Fahrenheit dalam skenario pemanasan tinggi.

Peneliti dari Massachusetts Institute of Technology (MIT) telah mengembangkan sebuah metode yang dapat melatih simulator iklim berbasis kecerdasan buatan pada beberapa skenario emisi yang dihasilkan komputer. Menurut laporan dari Proceedings of the National Academy of Sciences (PNAS) dan rilis dari MIT, pengujian model iklim yang disederhanakan menunjukkan bahwa metode ini dapat melampaui data pelatihan standar. Simulator iklim adalah model kecerdasan buatan yang cepat, yang meniru model sistem bumi (ESMs), yang didasarkan pada simulasi fisik untuk prediksi iklim jangka panjang. MIT menyatakan bahwa satu ESM yang dijalankan di kluster superkomputer mungkin memerlukan waktu berbulan-bulan untuk menyelesaikan satu skenario, sementara simulator dapat menyelesaikannya dalam hitungan detik, sehingga memungkinkan para ilmuwan untuk menguji ribuan skenario.

Metode Baru Meningkatkan Efisiensi Simulator

Simulator biasanya dilatih berdasarkan enam hingga delapan jalur emisi realistis, di mana setiap jalur memerlukan ESM-nya sendiri untuk dijalankan. Tim dari MIT menggunakan model iklim yang sederhana untuk membangun perangkat lunak yang dapat menghitung bagaimana perubahan kecil dalam input emisi mempengaruhi kesalahan simulator. Mereka kemudian secara bertahap menyesuaikan jalur emisi awal untuk mengurangi kesalahan tersebut.

Menurut rilis yang diterbitkan, skenario yang dioptimalkan mungkin terlihat sangat berbeda dari masa depan yang nyata. Penulis utama tim, Christopher Whormack, seorang peneliti pascadoktoral di ETH Zurich, menyatakan bahwa tim tidak terlalu memperhatikan realisme skenario pelatihan. Fluktuasi kurva emisi yang cepat, alih-alih mengikuti jalur yang mulus, memberikan lebih banyak informasi tentang keseluruhan sistem kepada simulator. Dalam pra-cetak, simulator yang dilatih berdasarkan satu skenario yang dioptimalkan melampaui simulator yang dilatih berdasarkan enam jalur standar saat menguji model iklim sederhana.

Benchmark dinilai berdasarkan data pelatihan mereka sendiri, yang merupakan skenario terbaik secara teoritis.

Hasil Pengujian Model yang Disederhanakan

Pengujian kedua menggunakan model sistem bumi dari MIT, yang merupakan alternatif ESM yang disederhanakan, hanya berfokus pada skenario karbon dioksida. Simulator yang dilatih berdasarkan satu atau dua skenario yang dioptimalkan cocok atau melampaui benchmark enam skenario pada kebijakan dan skenario ideal lainnya. Benchmark mempertahankan kinerja terbaik pada skenario pelatihannya sendiri. Kombinasi dua skenario meningkatkan rata-rata keterampilan pada skenario kebijakan alternatif sebesar 32.6%. MIT menyatakan bahwa metode pelatihan ini juga menangkap aturan polusi lokal ketika satu polutan berkurang sementara polutan lainnya meningkat, yang tidak dapat dilakukan oleh simulator tradisional.

Pengujian dilakukan menggunakan model yang lebih sederhana, bukan ESM lengkap. Rilis tersebut menyebutkan bahwa pengguna hanya akan menjalankan ESM sekali, tetapi pra-cetak mencantumkan simulasi ESM lengkap untuk skenario yang dioptimalkan sebagai pekerjaan masa depan, sehingga penghematan ini belum terkonfirmasi. Diasumsikan bahwa skenario yang dioptimalkan pada model sederhana dapat diterapkan pada model lengkap. Pra-cetak menemukan bahwa model sederhana menunjukkan deviasi suhu hingga 4.5 derajat Fahrenheit (sekitar 2.5 derajat Celsius) dibandingkan dengan model dengan kompleksitas sedang dalam skenario pemanasan tinggi, saat suhu cenderung stabil atau menurun. Kombinasi dua skenario yang dioptimalkan kadang-kadang dapat melemahkan keuntungan dari satu jalur, sementara simulator adalah jaringan saraf dasar.

Superkomputer Discover dari NASA terutama digunakan untuk prediksi iklim.

Prediksi berbasis kecerdasan buatan telah ada dalam pekerjaan meteorologi: Google GraphCast menghasilkan prediksi 10 hari dalam waktu kurang dari satu menit, menurut laporan pengembang. Tim ini berharap untuk menguji teknologi ini pada skenario yang dihasilkan oleh ESM lengkap dan menerapkannya pada model iklim dan pembelajaran mesin lainnya. Schmidt Science Company mendukung pekerjaan ini melalui tantangan besar MIT. Penelitian ini diterbitkan di PNAS.

Dampak Potensial dari Skenario Emisi yang Dioptimalkan

Penelitian dari MIT menunjukkan bahwa melalui optimasi skenario emisi, akurasi dan efisiensi simulator iklim dapat meningkat secara signifikan. Metode ini tidak hanya dapat menguji sejumlah besar skenario dalam waktu singkat, tetapi juga menangkap aturan polusi kompleks yang tidak dapat dicerminkan oleh simulator tradisional. Dengan dampak perubahan iklim yang semakin jelas, perkembangan teknologi ini memiliki arti penting untuk memprediksi kondisi iklim di masa depan dan merumuskan kebijakan yang sesuai. Penelitian lebih lanjut mungkin akan memungkinkan penerapan teknologi ini pada model iklim yang lebih kompleks, sehingga meningkatkan kemampuan prediksi secara keseluruhan.

H
Tentang penulis
Henderson