MIT 研發優化排放情景以提升氣候預測準確性

·作者 Henderson·Engineering
MIT 研發優化排放情景以提升氣候預測準確性
重點
  • 麻省理工學院開發新方法提升氣候模擬器準確性。
  • 該模擬器能在數秒內完成情境測試,效率高於傳統模型。
  • 優化情境的排放曲線波動提供更多系統資訊。
  • 簡化模型在高升溫情境下的溫度偏差可達 4.5 華氏度。

麻省理工學院的研究人員開發了一種方法,能夠在數個計算機生成的排放情境上訓練人工智能氣候模擬器,根據《美國國家科學院院刊》(PNAS)的一份報告及麻省理工學院的發布,簡化的氣候模型測試顯示,該方法能夠超越標準訓練數據。氣候模擬器是快速的人工智能模型,模仿地球系統模型(ESMs),這些模型基於物理的模擬用於長期氣候預測。麻省理工學院表示,一個 ESM 在超級計算機集羣上運行一個情境可能需要數月時間,而模擬器則能在數秒內完成,從而使科學家能夠測試數千個情境。

新方法提升模擬器效率

模擬器通常是基於六至八個現實的排放路徑進行訓練,而每條路徑都需要其自身的 ESM 運行。麻省理工學院的團隊則使用了簡單的氣候模型,構建了能夠計算排放輸入的小變化如何影響模擬器誤差的軟件。然後,他們逐步調整起始排放軌跡,以降低該誤差。

根據發布的消息,優化的情境可能看起來與現實未來毫不相似。該團隊的首席作者、蘇黎世聯邦理工學院的博士後研究員克里斯托弗·沃馬克表示,團隊對訓練情境的現實性並不太在意。排放曲線迅速波動,而不是遵循平滑的軌跡,沃馬克表示,這些波動為模擬器提供了有關整個系統的更多資訊。在預印本中,一個基於單一優化情境訓練的模擬器在測試簡單氣候模型時超越了基於六條標準路徑訓練的模擬器。

基準是根據其自身的訓練數據進行評分,這是其理論上的最佳情境。

簡化模型的測試結果

第二次測試使用了麻省理工學院的地球系統模型,這是一個簡化的 ESM 替代品,僅針對二氧化碳情境進行。基於一或兩個優化情境訓練的模擬器在其他政策和理想化情境上與六情境基準相匹配或超越。基準在其自身的訓練情境上保持最佳。兩個情境的組合使平均在替代政策情境上的技能提高了 32.6%。麻省理工學院表示,這種訓練方式的模擬器還捕捉到了當一種污染物減少而其他污染物增加時的地方污染規則,這是傳統模擬器未能做到的測試。

測試使用了較簡單的模型,而非完整的 ESM。發布中提到,用戶只會運行一次 ESM,但預印本列出了針對優化情境的完整 ESM 模擬作為未來工作,因此這一節省尚未得到證實。它假設在簡單模型上優化的情境能夠轉移到完整模型上。預印本發現,簡單模型在高升溫情境下與中等複雜度模型的溫度偏差可達 4.5 華氏度(約 2.5 攝氏度),當溫度趨於平穩或下降時。兩個優化情境的組合偶爾會削弱某一條路徑的增益,而模擬器則是基本的神經網絡。

美國國家航空航天局的 Discover 超級計算機主要用於氣候預測。

人工智能預報在氣象工作中已存在: Google 的 GraphCast 在不到一分鐘內生成了為期 10 天的預測,開發者報告稱。該團隊希望在由完整 ESM 生成的情境上測試這一技術,並將其應用於其他氣候模型和機器學習。施密特科學公司通過麻省理工學院的重大挑戰支持了這項工作。該研究發表在 PNAS 上。

優化排放情境的潛在影響

麻省理工學院的研究顯示,透過優化排放情境,可以顯著提升氣候模擬器的準確性和效率。這一方法不僅能在短時間內測試大量情境,還能捕捉到傳統模擬器未能反映的複雜污染規則。隨著氣候變化的影響日益明顯,這種技術的發展對於預測未來氣候情況及制定相應政策具有重要意義。進一步的研究可能會使這一技術在更複雜的氣候模型中得到應用,從而提升整體預測能力。

H
關於作者
Henderson