MIT entwickelt optimierte Emissionsszenarien zur Verbesserung der Klimavorhersagegenauigkeit

·von Henderson·Engineering
MIT entwickelt optimierte Emissionsszenarien zur Verbesserung der Klimavorhersagegenauigkeit
Hauptpunkte
  • MIT entwickelt neue Methode zur Verbesserung der Genauigkeit von Klimasimulatoren.
  • Der Simulator kann Szenarientests in wenigen Sekunden durchführen, was effizienter ist als traditionelle Modelle.
  • Die optimierten Emissionskurven bieten mehr systemische Informationen durch schnelle Schwankungen.
  • Die Temperaturabweichung des vereinfachten Modells kann in Hochtemperaturszenarien bis zu 4,5 Fahrenheit betragen.

Die Forscher des MIT haben eine Methode entwickelt, die es ermöglicht, einen KI-Klimasimulator auf mehreren computer-generierten Emissionsszenarien zu trainieren. Laut einem Bericht in den Proceedings of the National Academy of Sciences (PNAS) und einer Mitteilung des MIT zeigen Tests mit vereinfachten Klimamodellen, dass diese Methode die Standardtrainingsdaten übertreffen kann. Der Klimasimulator ist ein schnelles KI-Modell, das die Erdmodellierungssysteme (ESMs) nachahmt, die auf physikalischen Simulationen basieren und für langfristige Klimavorhersagen verwendet werden. Das MIT erklärt, dass ein ESM, das auf einem Supercomputer-Cluster ein Szenario ausführt, Monate in Anspruch nehmen kann, während der Simulator dies in wenigen Sekunden erledigen kann, was es Wissenschaftlern ermöglicht, Tausende von Szenarien zu testen.

Neue Methode verbessert die Effizienz des Simulators

Simulatoren werden normalerweise auf der Grundlage von sechs bis acht realistischen Emissionspfaden trainiert, wobei jeder Pfad seine eigene ESM-Ausführung benötigt. Das Team des MIT verwendete jedoch vereinfachte Klimamodelle und entwickelte Software, die berechnen kann, wie kleine Änderungen in den Emissionsinputs den Fehler des Simulators beeinflussen. Anschließend passten sie schrittweise die Anfangsemissionskurven an, um diesen Fehler zu verringern.

Laut den veröffentlichten Informationen könnten die optimierten Szenarien in der Realität völlig anders aussehen. Der Hauptautor des Teams, Christopher Whormack, Postdoktorand an der ETH Zürich, erklärte, dass das Team nicht allzu sehr auf die Realitätsnähe der Trainingsszenarien achtete. Die Emissionskurven schwanken schnell, anstatt einer glatten Kurve zu folgen. Whormack betonte, dass diese Schwankungen dem Simulator mehr Informationen über das gesamte System liefern. In einem Preprint übertraf ein auf einem einzigen optimierten Szenario trainierter Simulator bei Tests mit einfachen Klimamodellen die auf sechs Standardpfaden trainierten Simulatoren.

Der Benchmark wird basierend auf seinen eigenen Trainingsdaten bewertet, was das theoretisch beste Szenario darstellt.

Testergebnisse des vereinfachten Modells

Der zweite Test verwendete das Erdmodell des MIT, das ein vereinfachter ESM-Ersatz ist und sich nur auf CO2-Szenarien konzentriert. Simulatoren, die auf einem oder zwei optimierten Szenarien trainiert wurden, schnitten in Bezug auf andere politische und idealisierte Szenarien gleich gut oder besser ab als der Benchmark mit sechs Szenarien. Der Benchmark bleibt in seinen eigenen Trainingsszenarien optimal. Die Kombination der beiden Szenarien verbesserte die durchschnittliche Leistung in alternativen politischen Szenarien um 32,6 %. Das MIT erklärte, dass diese Trainingsmethode es dem Simulator auch ermöglicht, lokale Verschmutzungsregeln zu erfassen, wenn ein Schadstoff abnimmt, während andere zunehmen, was traditionelle Simulatoren nicht leisten konnten.

Die Tests verwendeten einfachere Modelle anstelle eines vollständigen ESM. In der Mitteilung wurde erwähnt, dass Benutzer ein ESM nur einmal ausführen würden, aber der Preprint listete vollständige ESM-Simulationen für optimierte Szenarien als zukünftige Arbeiten auf, sodass diese Einsparung noch nicht bestätigt ist. Es wird angenommen, dass die optimierten Szenarien auf dem einfachen Modell auf das vollständige Modell übertragbar sind. Der Preprint stellte fest, dass das einfache Modell in Hochtemperaturszenarien eine Temperaturabweichung von bis zu 4,5 Fahrenheit (ca. 2,5 Celsius) im Vergleich zu einem Modell mittlerer Komplexität aufweisen kann, wenn die Temperaturen stabil oder rückläufig sind. Die Kombination der beiden optimierten Szenarien kann gelegentlich die Gewinne eines bestimmten Pfades abschwächen, während der Simulator ein grundlegendes neuronales Netzwerk ist.

Der Discover-Supercomputer der NASA wird hauptsächlich für Klimavorhersagen verwendet.

Künstliche Intelligenz in der Wettervorhersage ist bereits etabliert: Google’s GraphCast erzeugt in weniger als einer Minute eine 10-tägige Vorhersage, berichteten die Entwickler. Das Team hofft, diese Technik auf Szenarien, die von vollständigen ESM generiert werden, zu testen und sie auf andere Klimamodelle und maschinelles Lernen anzuwenden. Die Schmidt Science Initiative unterstützte diese Arbeit durch das MIT’s Grand Challenge. Die Forschung wurde in PNAS veröffentlicht.

Potenzielle Auswirkungen optimierter Emissionsszenarien

Die Forschung des MIT zeigt, dass durch optimierte Emissionsszenarien die Genauigkeit und Effizienz von Klimasimulatoren erheblich verbessert werden kann. Diese Methode ermöglicht es nicht nur, in kurzer Zeit eine große Anzahl von Szenarien zu testen, sondern erfasst auch komplexe Verschmutzungsregeln, die traditionelle Simulatoren nicht abbilden konnten. Angesichts der zunehmend offensichtlichen Auswirkungen des Klimawandels ist die Entwicklung dieser Technologie von großer Bedeutung für die Vorhersage zukünftiger Klimabedingungen und die Formulierung entsprechender Politiken. Weitere Forschungen könnten diese Technologie in komplexeren Klimamodellen anwendbar machen und somit die gesamte Vorhersagefähigkeit verbessern.

H
Über den Autor
Henderson