- 麻省理工学院が新しい方法を開発し、気候シミュレーターの精度を向上させた。
- このシミュレーターは数秒でシナリオテストを完了し、従来のモデルよりも効率が高い。
- 最適化されたシナリオの排出曲線の変動が、より多くのシステム情報を提供する。
- 簡素化モデルは高温上昇シナリオにおいて最大4.5華氏度の温度偏差を示す。
麻省理工学院の研究者が、数個のコンピュータ生成の排出シナリオを用いて人工知能気候シミュレーターを訓練する方法を開発した。これは『アメリカ国立科学アカデミー紀要』(PNAS)の報告および麻省理工学院の発表に基づいており、簡素化された気候モデルのテストは、この方法が標準的な訓練データを上回ることを示している。気候シミュレーターは、地球システムモデル(ESMs)を模倣する迅速な人工知能モデルであり、これらのモデルは物理に基づくシミュレーションを用いて長期的な気候予測を行う。麻省理工学院によれば、1つのESMがスーパーコンピュータクラスター上でシナリオを実行するには数ヶ月かかるが、シミュレーターは数秒で完了し、科学者が数千のシナリオをテストできるようにする。
新しい方法がシミュレーターの効率を向上させる
シミュレーターは通常、6から8の現実的な排出経路に基づいて訓練され、それぞれの経路には独自のESMの実行が必要である。麻省理工学院のチームは、簡素化された気候モデルを使用し、排出入力の小さな変化がシミュレーターの誤差にどのように影響するかを計算するソフトウェアを構築した。そして、彼らは誤差を減少させるために初期の排出軌跡を段階的に調整した。
発表された情報によれば、最適化されたシナリオは現実の未来とはまったく異なるように見える可能性がある。チームの首席著者であるスイス連邦工科大学のポスドク研究員クリストファー・ウォーマックは、訓練シナリオの現実性にはあまりこだわっていないと述べた。排出曲線は急速に変動し、滑らかな軌跡に従うのではなく、ウォーマックはこれらの変動がシミュレーターに全体のシステムに関するより多くの情報を提供すると述べた。プレプリントでは、単一の最適化シナリオに基づいて訓練されたシミュレーターが、6つの標準経路に基づいて訓練されたシミュレーターを上回る結果を示した。
基準は、その自身の訓練データに基づいて評価され、理論的には最適なシナリオとなる。
簡素化モデルのテスト結果
2回目のテストでは、麻省理工学院の地球システムモデルを使用した。これは簡素化されたESMの代替品であり、二酸化炭素シナリオに特化している。1つまたは2つの最適化シナリオに基づいて訓練されたシミュレーターは、他の政策や理想化シナリオにおいて6つのシナリオ基準と一致またはそれを上回った。基準は自身の訓練シナリオにおいて最適な状態を維持した。2つのシナリオの組み合わせにより、代替政策シナリオにおける平均的なスキルが32.6%向上した。麻省理工学院は、この訓練方法のシミュレーターが、ある汚染物質が減少し他の汚染物質が増加する際の地域的な汚染規則を捉えることができたと述べている。これは従来のシミュレーターでは実現できなかったテストである。
テストには、完全なESMではなく、より簡素なモデルが使用された。発表では、ユーザーはESMを1回だけ実行するが、プレプリントでは最適化シナリオに基づく完全なESMシミュレーションが今後の作業としてリストアップされているため、この節約はまだ確認されていない。これは、簡素なモデルで最適化されたシナリオが完全なモデルに転送できると仮定している。プレプリントでは、簡素なモデルが高温上昇シナリオにおいて中程度の複雑さのモデルと比較して最大4.5華氏度(約2.5℃)の温度偏差を示すことが発見された。温度が安定または下降する際に、2つの最適化シナリオの組み合わせが時折特定の経路の利点を弱めることがあり、シミュレーターは基本的な神経ネットワークである。
アメリカ航空宇宙局のDiscoverスーパーコンピュータは、主に気候予測に使用されている。
人工知能による予測は気象業務において既に存在している。GoogleのGraphCastは、1分未満で10日間の予測を生成すると開発者が報告している。チームは、完全なESMによって生成されたシナリオでこの技術をテストし、他の気候モデルや機械学習に応用することを希望している。シュミットサイエンス社は、麻省理工学院の重大な課題を通じてこの作業を支援した。この研究はPNASに発表された。
最適化された排出シナリオの潜在的影響
麻省理工学院の研究は、最適化された排出シナリオを通じて、気候シミュレーターの精度と効率を大幅に向上させることができることを示している。この方法は、短時間で大量のシナリオをテストできるだけでなく、従来のシミュレーターが反映できなかった複雑な汚染規則を捉えることができる。気候変動の影響がますます明らかになる中、この技術の発展は未来の気候状況を予測し、適切な政策を策定する上で重要な意義を持つ。さらなる研究により、この技術がより複雑な気候モデルに応用され、全体的な予測能力が向上する可能性がある。

