帖子详情0 条回复
vgotu · 10天前

MIT研究优化气候模拟训练数据,提升AI模型对未知情景的泛化能力

麻省理工学院研究团队近日介绍一项用于气候预测的人工智能方法。相关论文《Optimal scenario design for climate emulation》于2026年11月9日在线发表于《美国国家科学院院刊》(PNAS),MIT News于11月12日发布研究解读。MIT News报道 PNAS论文

这项工作关注的是“气候模拟器”训练数据不足或结构单一的问题。气候模拟器是模仿大型地球系统模型的机器学习模型,能够在数秒内估算温度、海平面或污染控制等情景的变化,而传统地球系统模型运行一个长期情景可能需要在超级计算机集群上耗费数月。研究人员认为,如果训练数据只覆盖少数平滑、现实的排放路径,模型面对训练中没有出现过的情景时,预测能力可能明显下降。

研究团队提出一种训练数据优化方法:先用可微分的简化气候模型生成情景,再根据模拟器的预测误差反复调整这些情景,使其包含更丰富的变化。优化后的数据可能并不符合常见的现实排放轨迹,例如包含排放量的快速波动,但能够帮助模型学习不同气候强迫因素的影响机制。该方法的重点不是单纯扩大数据规模,而是提高每一条训练情景所包含的信息量。

根据论文摘要,在简化气候模型测试中,使用一个经过优化的训练情景所训练的模拟器,其表现优于使用六条标准ScenarioMIP路径训练的模拟器;在进一步测试中,基于简化模型优化出的情景也能改善中等复杂度气候模型模拟器的训练效果。研究人员还报告称,模型能够更好地区分温室气体和气溶胶等不同强迫因素的作用。不过,这些结果来自特定模型和实验设置,不能直接等同于已经适用于所有气候预测任务。

这项研究的实际意义在于,气候人工智能的瓶颈可能不仅是模型架构和算力,也包括如何设计训练样本。若后续能在完整地球系统模型和更多气候模型上验证,研究机构或许可以用较少但更有信息量的高成本模拟,构建更快更新的气候模拟器,从而支持电网规划、公共卫生、农业和污染治理等情景分析。当前仍需关注其跨模型泛化能力、对极端情景的稳定性,以及AI模拟结果与物理模型之间的误差边界。

参考来源:

由 AI 整理,仅供参考;请以原始来源为准。

最新回复

请先登录后再回复 登录