MIT研发优化排放情景以提升气候预测准确性

·作者 Henderson·Engineering
MIT研发优化排放情景以提升气候预测准确性
重点
  • 麻省理工学院开发新方法提升气候模拟器准确性。
  • 该模拟器能在数秒内完成情境测试,效率高于传统模型。
  • 优化情境的排放曲线波动提供更多系统信息。
  • 简化模型在高升温情境下的温度偏差可达 4.5 华氏度。

麻省理工学院的研究人员开发了一种方法,能够在多个计算机生成的排放情境上训练人工智能气候模拟器。根据《美国国家科学院院刊》(PNAS)的一份报告及麻省理工学院的发布,简化的气候模型测试显示,该方法能够超越标准训练数据。气候模拟器是快速的人工智能模型,模仿地球系统模型(ESMs),这些模型基于物理的模拟用于长期气候预测。麻省理工学院表示,一个 ESM 在超级计算机集群上运行一个情境可能需要数月时间,而模拟器则能在数秒内完成,从而使科学家能够测试数千个情境。

新方法提升模拟器效率

模拟器通常是基于六至八个现实的排放路径进行训练,而每条路径都需要其自身的 ESM 运行。麻省理工学院的团队则使用了简单的气候模型,构建了能够计算排放输入的小变化如何影响模拟器误差的软件。然后,他们逐步调整起始排放轨迹,以降低该误差。

根据发布的消息,优化的情境可能看起来与现实未来毫不相似。该团队的首席作者、苏黎世联邦理工学院的博士后研究员克里斯托弗·沃马克表示,团队对训练情境的现实性并不太在意。排放曲线迅速波动,而不是遵循平滑的轨迹,沃马克表示,这些波动为模拟器提供了有关整个系统的更多信息。在预印本中,一个基于单一优化情境训练的模拟器在测试简单气候模型时超越了基于六条标准路径训练的模拟器。

基准是根据其自身的训练数据进行评分,这是其理论上的最佳情境。

简化模型的测试结果

第二次测试使用了麻省理工学院的地球系统模型,这是一个简化的 ESM 替代品,仅针对二氧化碳情境进行。基于一或两个优化情境训练的模拟器在其他政策和理想化情境上与六情境基准相匹配或超越。基准在其自身的训练情境上保持最佳。两个情境的组合使平均在替代政策情境上的技能提高了 32.6%。麻省理工学院表示,这种训练方式的模拟器还捕捉到了当一种污染物减少而其他污染物增加时的地方污染规则,这是传统模拟器未能做到的测试。

测试使用了较简单的模型,而非完整的 ESM。发布中提到,用户只会运行一次 ESM,但预印本列出了针对优化情境的完整 ESM 模拟作为未来工作,因此这一节省尚未得到证实。它假设在简单模型上优化的情境能够转移到完整模型上。预印本发现,简单模型在高升温情境下与中等复杂度模型的温度偏差可达 4.5 华氏度(约 2.5 摄氏度),当温度趋于平稳或下降时。两个优化情境的组合偶尔会削弱某一条路径的增益,而模拟器则是基本的神经网络。

美国国家航空航天局的 Discover 超级计算机主要用于气候预测。

人工智能预报在气象工作中已存在: Google 的 GraphCast 在不到一分钟内生成了为期 10 天的预测,开发者报告称。该团队希望在由完整 ESM 生成的情境上测试这一技术,并将其应用于其他气候模型和机器学习。施密特科学公司通过麻省理工学院的重大挑战支持了这项工作。该研究发表在 PNAS 上。

优化排放情境的潜在影响

麻省理工学院的研究显示,通过优化排放情境,可以显著提升气候模拟器的准确性和效率。这一方法不仅能在短时间内测试大量情境,还能捕捉到传统模拟器未能反映的复杂污染规则。随着气候变化的影响日益明显,这种技术的发展对于预测未来气候情况及制定相应政策具有重要意义。进一步的研究可能会使这一技术在更复杂的气候模型中得到应用,从而提升整体预测能力。

H
关于作者
Henderson