准确且及时的气候预测，对于提升电网韧性、保护公众健康、提高农业产量等相关决策至关重要。
现在，麻省理工学院的研究人员开发出一种新技术，可以更高效地构建快速、可信且适应性强的气候预测人工智能模型。
这类专门用于气候预测的AI模型被称为气候模拟器（climate emulators），它们能够快速模拟人类活动对未来气候的影响，例如预测气温变化或海平面上升情况。
由于模拟器运行只需几秒钟，科学家们可以借此高效测试成千上万种不同的气候情景。这不仅能提供更可靠的预测结果，还能发现区域性干预措施可能带来的意外后果。
麻省理工学院的研究人员开发出一种训练方法，能够在仅使用传统所需数据一小部分的情况下，大幅提升气候模拟器的性能和适应能力。这显著缩短了这类实用科学工具的开发周期。
研究显示，用更少量但经过精心挑选的合成数据训练的模拟器，能够准确预测其训练过程中从未见过的情景结果，而传统模拟器在面对新情况时则表现不佳。
“气候模拟器特别适合用于建模与政策相关的情景。通过我们的方法为模拟器生成优化的训练数据，我们可以加快生产出更可靠的模拟器，从而更加信任其输出结果，用于政策制定决策，”该技术相关论文的第一作者克里斯托弗·沃马克（Christoher Womack）说道，他于麻省理工学院获得博士学位（PhD ’26），现为苏黎世联邦理工学院博士后研究员。
与他共同撰写该论文的还有：麻省理工学院地球、大气与行星科学系（EAPS）博士后沙欣·布阿比德（Shahine Bouabid）；麻省理工学院可持续科学与战略中心（CS3）研究科学家安德烈·索科洛夫（Andrei Sokolov）；CS3博士后波帕特·萨伦克（Popat Salunke）；EAPS海洋学教授格伦·弗利尔尔（Glenn Flierl）；帝国理工学院副教授塞巴斯蒂安·D·伊斯特姆（Sebastian D. Eastham）；以及论文的资深作者、麻省理工学院数据、系统与社会研究院（IDSS）及EAPS教授、CS3主任诺埃尔·E·塞林（Noelle E. Selin）。该研究本周发表于《美国国家科学院院刊》（PNAS）。
更快速的替代模型
气候科学家通常使用地球系统模型（ESM）来预测在不同温室气体排放情景下，全球气温或降水量可能发生的长期变化。
这些基于物理原理构建的庞大模型能够极其详细地捕捉地球气候的主要组成部分及其相互作用。虽然功能强大，但ESM在超级计算机集群上运行可能需要数月时间——而这仅仅是为了模拟一种可能的未来气候情景。
塞林及其合作者设计的气候模拟器，是一种能够模拟完整ESM行为的快速AI替代模型。模拟器可以帮助科学家测试多种情景，做出更准确的预测，并探究特定污染物及区域性影响。
“气候模拟器只需几秒钟就能运行完成，这极大拓展了我们在探索未来气候情景方面的能力，”沃马克说。
当科学家设计气候模拟器时，他们通常使用基于现实未来排放轨迹的六到八种未来情景数据集来训练AI模型。每种情景都必须通过完整的ESM运行一次，这使得这些数据集的生成成本高昂且耗时漫长。
麻省理工学院的研究人员最近发现，使用现实的未来情景作为训练数据，可能导致模拟器表现不佳，无法准确预测不熟悉或新颖的情景。
在这项研究中，他们开发了一种算法，能够生成一套经过优化的合成气候情景数据集，专门用于提升单个模拟器的预测性能。
“我们的算法可能会生成一些看起来完全不像现实未来的奇怪情景，但我们并不太在意训练情景是否真实。我们只是想尽可能地制作出最佳数据集来训练模拟器，”沃马克说。
更重要的是，用户不需要将完整的ESM运行六到八次来生成训练数据，只需运行一次即可。
调优训练数据
研究人员首先使用一个快速而简单的气候模型生成一个任意的气候情景。他们测试模拟器复现该ESM结果的能力，从而得出一个误差度量值。
由于他们构建训练流程所使用的编程技术，研究人员可以迭代更新训练数据，以提升模拟器的预测能力。例如，该算法可以让2050年的二氧化碳排放量大幅增加，或让2037年的甲烷排放量迅速减少。
随后，优化过程会不断更新训练数据，直到模拟器的误差水平达到某个阈值。
最终，这些合成数据并不像现实情景那样排放轨迹平滑，而是包含快速波动的变化。
“通过引入这些高频的波动和振荡，我们的数据使模拟器能够从整体系统中提取更多信息，”沃马克解释道。
他们的训练算法输出这些排放情景，可用于训练出更准确、更具适应性的模拟器。
“未来，我们肯定会遇到前所未见的气候和情景。如果我们能够更稳健地模拟这些不同的情景，就能为需要这些信息的利益相关方提供更可靠的信息，”塞林说。
例如，使用他们的技术训练出的模拟器，能够捕捉到在减少一种污染物同时其他排放仍在增加的情况下，地方污染物控制政策所产生的影响。而他们评估的传统模拟器在这项测试中则表现失败。
从长远来看，沃马克希望这项工作能够提升快速且适应性强的气候模拟器在政策制定中的实用性。
“对于创建能够满足利益相关方需求的实用工具而言，这是整个流程中极为重要的一环。由于训练一个模拟器的过程可能需要数月甚至数年时间，我们目前使用的模拟器往往已经过时。通过缩短这一生产周期，我认为这项技术将在为研究人员和实践者提供最新工具方面带来革命性的改变，”塞林补充道。
未来，研究人员希望使用由完整ESM生成的排放情景来测试他们的技术。他们还希望将该方法应用于其他类型的气候模型，并探索其在更广泛的机器学习和计算机视觉应用中的有效性。
这项研究是“为气候挑战引入计算力”（BC3）项目的一部分，由施密特科学基金会通过麻省理工学院“重大挑战”计划资助支持。
