MIT-Methode trainiert schnellere und anpassungsfähigere KI-Klimamodelle

Wissenschaftler des MIT haben eine Trainingsmethode für Klimaemulatoren entwickelt, die nur einen Bruchteil der üblicherweise benötigten Daten verwendet. Der Ansatz soll schnellere, verlässlichere und anpassungsfähigere KI-Modelle für die Untersuchung künftiger Klimaszenarien hervorbringen.
- Das MIT hat eine datensparsame Trainingsmethode für Klimaemulatoren entwickelt.
- Der Algorithmus erstellt optimierte synthetische Emissionsszenarien.
- Nutzer müssten ein vollständiges Erdsystemmodell einmal statt sechs- bis achtmal ausführen.
- Der trainierte Emulator sagte in der beschriebenen Untersuchung unbekannte Szenarien genauer voraus als herkömmliche Emulatoren.
- Die Forschenden wollen die Methode auf andere Klimamodelle und Fachgebiete anwenden.
KI-Ersatzmodelle für komplexe Klimamodelle
Klimawissenschaftler nutzen häufig Erdsystemmodelle (ESMs), um zu prognostizieren, wie sich globale Temperaturen und Niederschläge als Reaktion auf veränderte Treibhausgasemissionen entwickeln könnten. Diese physikbasierten Modelle bilden wichtige Klimakomponenten und ihre Wechselwirkungen detailliert ab. Die Berechnung eines einzigen Szenarios kann auf einem Cluster aus Supercomputern jedoch Monate dauern.
Klimaemulatoren bieten eine schnellere Alternative. Diese KI-Ersatzmodelle ahmen das Verhalten vollumfänglicher ESMs nach und können die Auswirkungen menschlicher Aktivitäten auf das künftige Klima innerhalb von Sekunden simulieren. Forschende können dadurch Tausende Szenarien untersuchen, darunter mögliche Auswirkungen bestimmter Schadstoffe, regionaler Maßnahmen, Temperaturen und des Meeresspiegels.
Nach Angaben des MIT können diese schnellen Tests zuverlässigere Schätzungen ermöglichen und dabei helfen, unerwartete Folgen regionaler Maßnahmen zu erkennen. Genaue und aktuelle Prognosen werden außerdem für die Planung der Widerstandsfähigkeit von Stromnetzen, der öffentlichen Gesundheit und landwirtschaftlicher Erträge genutzt.
Synthetische Daten zielen auf Schwächen der Modelle
Die Methode der Forschenden setzt an einer Einschränkung der üblichen Trainingsweise von Emulatoren an. Wissenschaftler führen ein vollständiges ESM häufig für sechs bis acht künftige Emissionsszenarien aus, die auf realistischen Verläufen basieren, und verwenden die Ergebnisse anschließend als Trainingsdaten. Forschende des MIT stellten fest, dass dieser Ansatz dazu führen kann, dass Emulatoren unbekannte Szenarien nicht vorhersagen können.
Der neue Algorithmus erzeugt stattdessen einen synthetischen Datensatz mit für einen bestimmten Emulator optimierten Klimaszenarien. Der Prozess beginnt mit einem beliebigen Szenario, das mithilfe eines schnellen, einfachen Klimamodells erstellt wird. Das Team misst den Fehler des Emulators und aktualisiert anschließend wiederholt die Trainingsdaten, um dessen Vorhersagen zu verbessern.
Die daraus entstehenden Szenarien können starke Veränderungen enthalten, etwa einen drastischen Anstieg der CO2-Emissionen im Jahr 2050 oder einen schnellen Rückgang der Methanemissionen im Jahr 2037. Nach Angaben des MIT enthalten die Daten schnelle Schwankungen statt der gleichmäßigen Emissionsverläufe, die für realistische Zukunftsszenarien erwartet werden. Die Forschenden erklären, dass diese „hochfrequenten Schwankungen und Oszillationen“ dem Emulator helfen, mehr Informationen über das Klimasystem zu gewinnen.
Statt ein vollständiges ESM sechs- oder achtmal auszuführen, um Trainingsdaten zu erzeugen, müsste ein Nutzer es nur einmal ausführen. Das Team berichtet, dass ein Emulator, der mit dem kleineren, sorgfältig ausgewählten synthetischen Datensatz trainiert wurde, Szenarien außerhalb seiner Trainingsdaten präzise vorhersagte, während herkömmliche Emulatoren sich nicht an neue Situationen anpassen konnten.
Mögliche Anwendung in der Politik und künftigen Forschung
Der optimierte Emulator erfasste die Auswirkungen lokaler Maßnahmen zur Schadstoffkontrolle, bei denen ein Schadstoff reduziert wird, während andere Emissionen weiter steigen. Die von den Forschenden untersuchten herkömmlichen Emulatoren scheiterten an diesem Test.
„Klimaemulatoren eignen sich besonders gut für die Modellierung politisch relevanter Szenarien“, sagt Christoher Womack, der Erstautor der Studie, laut MIT News. Womack ist inzwischen Postdoktorand an der ETH Zurich. Die Seniorautorin Noelle E. Selin erklärt, die Methode könne verlässlichere Informationen für Entscheidungsträger liefern, die mit Klimabedingungen und Szenarien konfrontiert sind, die in den Trainingsdaten nicht vorkamen.
Die Forschung erscheint diese Woche in den Proceedings of the National Academy of Sciences. Das Team plant, die Technik mit einem von einem vollständigen ESM erzeugten Emissionsszenario zu testen, auf andere Klimamodelle anzuwenden und weitere Einsatzmöglichkeiten in den Bereichen maschinelles Lernen und Computer Vision zu untersuchen. Die Arbeit war Teil des Projekts Bringing Computation to the Climate Challenge und wurde von Schmidt Sciences im Rahmen der MIT Grand Challenges unterstützt.


