麻省理工学院研究人员开发出新训练方法，让气候AI模型更快更可靠

据MIT Climate发布的信息：

用于气候预测的传统地球系统模型虽然功能强大，但在超级计算机上运行单个场景往往就需要几个月的时间。为了解决这个问题，科学家们开始使用气候模拟器，也就是能够模仿完整系统的快速AI模型。不过，训练这些模拟器通常需要基于六到八种现实的未来排放场景来运行复杂模型，这使得数据创建过程既缓慢又昂贵。

据麻省理工学院的研究人员称，仅在现实场景上训练出来的模拟器，在面对陌生或新奇的情况时往往无法很好地适应。为了应对这一挑战，该团队开发了一种算法，能够生成一组优化后的、非传统的合成气候场景数据集，从而提升模型的预测性能。通过在训练数据中引入快速变化和高频波动，该算法让模拟器能够从整体系统中提取更多的信息，同时大大减少了对完整大规模模型运行的依赖。

研究表明，利用这种技术训练出来的模拟器，能够准确预测其在训练期间未曾见过的场景结果，例如某些排放上升而其他排放下降的局部污染物控制政策。这项研究已发表在《美国国家科学院院刊》上，旨在减少通常用于制作模拟器的数月甚至数年时间，帮助研究人员和决策者更快地获得更新的气候工具。