Gdy prostsze modele przewyższają sztuczną inteligencję w prognozach klimatycznych

Wpływ sztucznej inteligencji na wiele branż zapiera dech w piersiach, a klimatologia nie została pominięta w tej transformacji. Ponieważ naukowcy zajmujący się środowiskiem stosują potężne modele sztucznej inteligencji do przewidywania zmian klimatu i warunków pogodowych, badania wskazują, że większe nie zawsze oznacza lepsze - szczególnie w przypadku prognoz klimatycznych.

Zespół naukowców z MIT ujawnił, że mniejsze modele oparte na fizyce mogą przewyższać modele głębokiego uczenia się w przewidywaniu niektórych aspektów klimatu. Zespół odkrył, że te tradycyjne modele były bardziej precyzyjne podczas określania regionalnych temperatur powierzchni, w przeciwieństwie do oczekiwań, że skomplikowane modele sztucznej inteligencji zapewniają dokładniejsze wyniki.

Noelle Selin, profesor w MIT's Institute for Data, Systems, and Society, podkreśliła potrzebę tworzenia modeli istotnych dla decydentów. Według niej, podczas gdy sztuczna inteligencja może kusić naukowców, ważne jest, aby pamiętać o istocie problemu przed wskoczeniem na modę AI.

Co ciekawe, zespół badawczy natknął się na stronnicze oceny modeli AI. Naturalne wahania danych klimatycznych mogą zniekształcać wyniki, zawyżając dokładność tych modeli. Skłoniło to badaczy do opracowania solidniejszej metody oceny. Podczas gdy odkryli, że liniowe skalowanie wzorców (LPS) działało lepiej niż złożone modele w przewidywaniu zakresów temperatur, głębokie uczenie się okazało się bardziej obiecujące w lokalnych prognozach opadów.

Emulatory klimatu, przydatne narzędzia w tworzeniu polityki, symulują wpływ człowieka na przyszłe warunki klimatyczne. Służą one jako szybsza alternatywa dla pełnowymiarowych modeli klimatycznych, ale ich dokładność ma największe znaczenie. Porównując LPS i głębokie uczenie przy użyciu powszechnie akceptowanego zbioru danych, naukowcy z MIT odkryli, że LPS przewyższył głębokie uczenie pod względem prawie wszystkich parametrów, w tym opadów i temperatury.

Główny autor, Björn Lütjens, naukowiec z IBM Research, podkreślił ponadto, że chociaż duże metody sztucznej inteligencji ekscytują naukowców, najpierw należy wdrożyć prostsze rozwiązania. Zauważył, że kilka wyników, takich jak dane dotyczące opadów, było sprzecznych z początkowymi oczekiwaniami. Tam, gdzie zakładano, że modele głębokiego uczenia będą radzić sobie lepiej ze względu na nieliniowy wzorzec opadów, zmagały się one z długoterminowymi zmianami klimatu, czyniąc LPS faworyzowanym modelem.

Aby zapewnić dokładniejszy obraz, naukowcy sformułowali nowe ramy oceny, które uwzględniały naturalną zmienność klimatu. W tym kontekście głębokie uczenie się nieznacznie przewyższyło LPS w przewidywaniu lokalnych opadów deszczu, podczas gdy LPS pozostał modelem do przewidywania temperatury. Naukowcy następnie włączyli LPS do platformy emulacji klimatu, aby poprawić lokalne prognozy temperatury w różnych scenariuszach emisji.

Celem tych badań, jak zauważył współautor Raffaele Ferrari, nie jest uznanie jednej metody za lepszą, ale podkreślenie wartości odpowiednich narzędzi dla konkretnych problemów. Naukowcy mają nadzieję, że dzięki ich pracy pojawią się bardziej ulepszone techniki analizy porównawczej, umożliwiające badaczom rozpoznanie najbardziej odpowiednich modeli dla różnych zadań związanych z przewidywaniem klimatu.

Lütjens jest optymistą, że dzięki ulepszonemu wzorcowi emulacji klimatu, bardziej złożone modele uczenia maszynowego mogą rozwiązywać problemy obecnie trudne do rozwiązania, takie jak wpływ aerozoli lub szacowanie ekstremalnych opadów. Te niezwykłe badania są częścią programu MIT Wielkie wyzwania klimatyczne i była częściowo sponsorowana przez Schmidt Sciences, LLC.

Więcej szczegółów można znaleźć w pełnym badaniu na stronie Journal of Advances in Modeling Earth Systems lub uzyskać dostęp do oryginalnego artykułu tutaj.