准确且及时的气候预测对于提升电网韧性、保护公众健康、优化农业产量等决策至关重要。
麻省理工学院研究人员开发出一种新技术，能够更高效地构建快速、可靠且适应性强的气候预测人工智能模型。
这类专用AI模型被称为气候仿真器（climate emulators），能够快速模拟人类活动对未来气候的影响，例如预测温度或海平面变化。由于运行速度仅需数秒，科学家可以利用它高效测试数千种不同的气候情景，从而获得更可靠的预测结果，并识别区域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了一种训练方法，能够在仅使用传统所需数据一小部分的情况下，提升气候仿真器的性能和适应能力，从而大幅缩短这类实用科学工具的研发周期。
研究表明，利用经过精心筛选的少量合成数据训练出的仿真器，能够准确预测训练过程中未曾见过的情景结果，而传统仿真器则无法适应新情况。
“气候仿真器特别适合用于建模与政策相关的情景。通过我们的方法为仿真器生成优化的训练数据，我们能够加速生产出更可靠的仿真器，从而更加信任其输出结果，用于制定政策决策，”该技术论文的第一作者克里斯托弗·沃马克（Christopher Womack）表示，他于麻省理工获得博士学位（PhD ’26），现为苏黎世联邦理工学院博士后研究员。
论文的其他作者包括：麻省理工学院地球、大气与行星科学系（EAPS）博士后沙伊娜·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（Glenn Flierl）；帝国理工学院副教授塞巴斯蒂安·伊斯特姆（Sebastian D. Eastham）；以及通讯作者、麻省理工学院数据、系统与社会研究所（IDSS）与EAPS教授、CS3主任诺埃尔·塞林（Noelle E. Selin）。该研究于本周发表在《美国国家科学院院刊》（PNAS）上。
更快的替代模型
气候科学家通常使用地球系统模型（ESMs）来预测在不同温室气体排放情景下，全球温度或降水可能发生的长期变化。
这些基于物理原理构建的大型模型，能够极其详细地捕捉地球气候系统的主要组成部分及其相互作用。尽管功能强大，但ESM在超级计算机集群上运行可能需要数月时间——而这仅仅是为了预测一种可能的未来气候情景。
塞林及其合作者设计的气候仿真器，是一种能够模拟完整ESM行为的快速AI替代模型。仿真器帮助科学家测试多种情景、做出更准确的预测，并探索特定污染物及区域性影响。
“气候仿真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。
科学家在设计气候仿真器时，通常会使用基于现实未来排放路径的六到八种未来情景数据进行训练。他们必须将每种情景输入完整的ESM运行一次，这使得生成这些数据集的成本高昂且耗时漫长。
麻省理工学院的研究人员近期发现，使用现实的未来情景作为训练数据，可能导致仿真器表现不佳，难以预测陌生或新颖的情景。
在这项研究中，他们开发了一种算法，可以生成一组经过优化的合成气候情景数据集，专门用于提升某一仿真器的预测性能。
“我们的算法可能生成一些看起来完全不像现实未来的奇怪情景，但我们并不太关心训练情景是否真实，我们只是尽力构建最优的数据集来训练仿真器，”沃马克说。
重要的是，用户不再需要运行完整的ESM六到八次来生成训练数据，而只需运行一次该模型即可。
调整训练数据
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。他们测试仿真器能在多大程度上重现该ESM的结果，从而获得误差度量。
由于他们构建训练流程时所采用的编程技术，他们能够迭代更新训练数据，以提升仿真器的预测能力。例如，该算法可以在2050年大幅提高二氧化碳排放量，或在2037年迅速降低甲烷排放量。
然后，优化过程会持续更新训练数据，直到仿真器的误差水平达到特定阈值。
最终，这些合成数据并不像现实情景中排放量沿着平滑轨迹变化，而是包含快速的波动变化。
“通过引入这些高频的波动与振荡，我们的数据使仿真器能够从整个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，并用于训练出更准确、更具适应性的仿真器。
“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仿真器，能够捕捉到在其他污染物排放持续上升的情况下，局部污染控制政策减少某一种污染物所带来的效果。而他们评估的传统仿真器则未能通过这一测试。
从长远来看，沃马克希望这项研究能提升快速、适应性强的气候仿真器在政策制定中的实用价值。
“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。由于训练仿真器的过程可能需要数月甚至数年，我们现有的仿真器往往已经过时。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“将计算带入气候挑战”（Bringing Computation to the Climate Challenge, BC3）项目的一部分，并得到施密特科学公司（Schmidt Sciences）通过麻省理工学院“远大挑战”（MIT Grand Challenges）计划的支持。
