Umweltwissenschaftler verwenden zunehmend enorme Modelle für künstliche Intelligenz, um Vorhersagen über Veränderungen von Wetter und Klima zu treffen, aber eine neue Studie von MIT -Forschern zeigt, dass größere Modelle nicht immer besser sind.
Das Workforce zeigt, dass in bestimmten Klimamellen viel einfachere, physikbasierte Modelle genauere Vorhersagen erzeugen können als modernste Modelle auf dem neuesten Stand der Technik.
Ihre Analyse zeigt auch, dass eine Benchmarking-Technik, die üblicherweise zur Bewertung von maschinellen Lerntechniken für Klimavorhersagen verwendet wird, durch natürliche Variationen der Daten wie Schwankungen der Wettermuster verzerrt werden kann. Dies könnte dazu führen, dass jemand glauben, dass ein tief lernendes Modell genauere Vorhersagen macht, wenn dies nicht der Fall ist.
Die Forscher entwickelten eine robustere Methode zur Bewertung dieser Techniken, was zeigt, dass einfache Modelle bei der Schätzung der regionalen Oberflächentemperaturen genauer sind. Tiefe lernende Ansätze können jedoch die beste Wahl zur Schätzung der lokalen Niederschläge sein.
Sie verwendeten diese Ergebnisse, um ein Simulationstool zu verbessern, das als a bekannt ist Klimaemulatorwas die Auswirkung menschlicher Aktivitäten auf ein zukünftiges Klima schnell simulieren kann.
Die Forscher sehen ihre Arbeit als „warnende Geschichte“ über das Risiko, große KI -Modelle für die Klimakwissenschaft einzusetzen. Während tiefgreifende Modelle in Bereichen wie der natürlichen Sprache einen unglaublichen Erfolg gezeigt haben, enthält die Klimakwissenschaft eine Reihe von physischen Gesetzen und -näherungen, und die Herausforderung besteht darin, diejenigen in KI-Modelle einzubeziehen.
„Wir versuchen, Modelle zu entwickeln, die nützlich und related für die Dinge, die Entscheidungsträger bei der Entscheidung von Klimarichtlinien in Zukunft benötigen. Es ist zwar attraktiv, das neueste Modell mit großem Image-Lernmodell für ein Klimaproblem zu verwenden. Diese Studie zeigt, dass diese Studie es ist, dass das Drawback mit dem Drawback, in dem sich die Fundamentaler und das Drawback mit dem Drawback einsetzen, und nützlich sind. und die Division of Earth, Atmospheric and Planetary Sciences (EAPs).
Selins Co-Autoren sind die Hauptautorin Björn Lütjens, eine ehemalige EAPS-Postdoc, die heute Forschungswissenschaftler bei IBM Analysis ist. Senior Autor Raffaele Ferrari, der Cecil und der Inexperienced-Professor für Ozeanographie in EAPS und Co-Regisseur des Lorenz Facilities; und Duncan Watson-Parris, Assistenzprofessor an der College of California in San Diego. Selin und Ferrari sind auch Co-Principal-Ermittler der Berechnung der Klimaherausforderung bringen Projekt, aus dem diese Forschung entstanden ist. Der Papier erscheint heute in der Journal of Advances in der Modellierung von Erdsystemen.
Vergleich von Emulatoren
Da das Klima der Erde so komplex ist, kann das Ausführen eines hochmodernen Klimamodells vorhergesagt, wie sich die Umweltfaktoren wie die Temperatur auf die mächtigsten Supercomputer der Welt auswirken können.
Wissenschaftler schaffen häufig Klimaemulatoren, einfachere Annäherungen eines hochmodernen Klimamodells, die schneller und zugänglicher sind. Ein politischer Entscheidungsträger könnte einen Klimaemulator verwenden, um zu sehen, wie different Annahmen bei Treibhausgasemissionen zukünftige Temperaturen beeinflussen und ihnen dabei helfen, Vorschriften zu entwickeln.
Ein Emulator ist jedoch nicht sehr nützlich, wenn er ungenaue Vorhersagen über die lokalen Auswirkungen des Klimawandels macht. Während Deep Studying für die Emulation immer beliebter geworden ist, haben nur wenige Studien untersucht, ob diese Modelle besser abschneiden als bewährte Ansätze.
Die MIT -Forscher führten eine solche Studie durch. Sie verglichen eine herkömmliche Technik, die als lineares Musterskaling (LPS) mit einem tiefen Lernmodell unter Verwendung eines gemeinsamen Benchmark-Datensatzes zur Bewertung von Klimaemulatoren bezeichnet wird.
Ihre Ergebnisse zeigten, dass LPS tiefgreifende Modelle für die Vorhersage nahezu aller getesteten Parameter, einschließlich Temperatur und Niederschlag, übertraf.
„Große KI-Methoden sind für Wissenschaftler sehr ansprechend, aber sie lösen selten ein völlig neues Drawback. Daher ist die Implementierung einer vorhandenen Lösung zuerst erforderlich, um herauszufinden, ob sich der komplexe maschinell-lernende Ansatz tatsächlich verbessert“, sagt Lütjens.
Einige erste Ergebnisse schienen angesichts des Bereichs der Forscher -Domänenwissen zu fliegen schienen. Das leistungsstarke Deep-Studying-Modell hätte bei Vorhersagen über Niederschlag genauer sein müssen, da diese Daten kein lineares Muster folgen.
Sie fanden heraus, dass die hohe Menge an natürlicher Variabilität in Klimamodellläufen dazu führen kann, dass das Deep-Lern-Modell bei unvorhersehbaren langfristigen Oszillationen wie El Niño/La Niña schlecht abschneidet. Dies verzerrt die Benchmarking -Ergebnisse zugunsten von LPS, was diese Oszillationen durchschnittlich erfolgt.
Erstellung einer neuen Bewertung
Von dort aus konstruierten die Forscher eine neue Bewertung mit mehr Daten, die sich mit der natürlichen Klimavariabilität befassen. Mit dieser neuen Bewertung erzielte das Tiefenlernmodell für lokale Niederschläge etwas besser als LPS, aber LPS battle für Temperaturvorhersagen immer noch genauer.
„Es ist wichtig, das Modellierungswerkzeug zu verwenden, das für das Drawback geeignet ist. Zu diesem Zeitpunkt müssen Sie das Drawback jedoch auch in erster Linie auf die richtige Weise einrichten“, sagt Selin.
Basierend auf diesen Ergebnissen haben die Forscher LPS in eine Klimaemulationsplattform einbezogen, um lokale Temperaturänderungen in verschiedenen Emissionsszenarien vorherzusagen.
„Wir setzen uns nicht dafür ein, dass LPS immer das Ziel sein sollte. Es hat immer noch Einschränkungen. Zum Beispiel prognostiziert LPS keine Variabilität oder excessive Wetterereignisse“, fügt Ferrari hinzu.
Sie hoffen vielmehr, dass ihre Ergebnisse die Notwendigkeit betonen, bessere Benchmarking -Techniken zu entwickeln, die ein umfassenderes Bild davon bieten könnten, welche Klimaemulationstechnik für eine bestimmte Scenario am besten geeignet ist.
„Mit einer verbesserten Klimaemulation Benchmark könnten wir komplexere Methoden für maschinelles Lernen anwenden, um Probleme zu untersuchen, die derzeit sehr schwer zu behandeln sind, z. B. die Auswirkungen von Aerosolen oder Schätzungen des extremen Niederschlags“, sagt Lütjens.
Letztendlich können genauere Benchmarking -Techniken sicherstellen, dass die politischen Entscheidungsträger Entscheidungen treffen, die auf den besten verfügbaren Informationen basieren.
Die Forscher hoffen, dass andere auf ihrer Analyse aufbauen, möglicherweise indem sie zusätzliche Verbesserungen der Klimamethoden und Benchmarks untersuchen. Solche Forschungen könnten wirkungsorientierte Metriken wie Dürresindikatoren und Waldbrandrisiken oder neue Variablen wie regionale Windgeschwindigkeiten untersuchen.
Diese Forschung wird zum Teil von Schmidt Sciences, LLC finanziert und ist Teil des Groups der MIT Local weather Grand Challenges, um „Berechnung in die Klimaherausforderung zu bringen“.