Los científicos ambientales están utilizando cada vez más enormes modelos de inteligencia industrial para hacer predicciones sobre los cambios en el clima y el clima, pero un nuevo estudio de los investigadores del MIT muestra que los modelos más grandes no siempre son mejores.
El equipo demuestra que, en ciertos escenarios climáticos, los modelos mucho más simples basados en la física pueden suscitar predicciones más precisas que los modelos de educación profundo de última coexistentes.
Su observación todavía revela que una técnica de evaluación comparativa comúnmente utilizada para evaluar las técnicas de educación automotriz para las predicciones climáticas puede distorsionarse por variaciones naturales en los datos, como las fluctuaciones en los patrones climáticos. Esto podría soportar a cualquiera a creer que un maniquí de educación profundo hace predicciones más precisas cuando ese no es el caso.
Los investigadores desarrollaron una forma más robusta de evaluar estas técnicas, lo que muestra que, si perfectamente los modelos simples son más precisos al estimar las temperaturas de la superficie regional, los enfoques de educación profundo pueden ser la mejor opción para estimar la sirimiri nave.
Usaron estos resultados para mejorar una aparejo de simulación conocida como competidor climáticoque puede aparentar rápidamente el propósito de las actividades humanas en un clima futuro.
Los investigadores ven su trabajo como una «historia de advertencia» sobre el aventura de desplegar grandes modelos de IA para la ciencia climática. Si perfectamente los modelos de educación profundo han mostrado un éxito increíble en dominios como el jerga natural, la ciencia climática contiene un conjunto comprobado de leyes y aproximaciones físicas, y el desafío se convierte en cómo incorporarlos a los modelos de IA.
“We are trying to develop models that are going to be useful and relevant for the kinds of things that decision-makers need going forward when making climate policy choices. While it might be attractive to use the latest, big-picture machine-learning model on a climate problem, what this study shows is that stepping back and really thinking about the problem fundamentals is important and useful,” says study senior author Noelle Selin, a professor in the MIT Institute for Data, Systems, and Society (IDSS) and the Área de Tierra, Ciencias Atmosféricas y Planetarias (EAPS), y Director del Centro de Ciencia y Organización de Sostenibilidad.
Los coautores de Selin son el autor principal Björn Lütjens, ex postdoc de EAPS que ahora es irrefutable de investigación de IBM Research; Autor senior Raffaele Ferrari, profesor de Oceanografía de Cecil e Ida Green en EAPS y codirector del Centro Lorenz; y Duncan Watson-Parris, profesor asistente en la Universidad de California en San Diego. Selin y Ferrari todavía son investigadores de principios de la Traer el cálculo al desafío climático Tesina, de la cual surgió esta investigación. El papel aparece hoy en el Journal of Advances in Modeling Earth Systems.
Comparación de emuladores
Adecuado a que el clima de la Tierra es tan complicado, ejecutar un maniquí climático de última coexistentes para predecir cómo los niveles de contaminación afectarán los factores ambientales como la temperatura pueden soportar semanas en las supercomputadoras más poderosas del mundo.
Los científicos a menudo crean emuladores climáticos, aproximaciones más simples de un maniquí climático de última coexistentes, que son más rápidos y más accesibles. Un fabricante de políticas podría usar un competidor climático para ver cómo los suposiciones alternativas sobre las emisiones de gases de propósito invernadero afectarían las temperaturas futuras, ayudándoles a desarrollar regulaciones.
Pero un competidor no es muy útil si hace predicciones inexactas sobre los impactos locales del cambio climático. Si perfectamente el educación profundo se ha vuelto cada vez más popular para la lucha, pocos estudios han explorado si estos modelos funcionan mejor que los enfoques probados y verdaderos.
Los investigadores del MIT realizaron dicho estudio. Compararon una técnica tradicional llamamiento escalera de patrones lineales (LPS) con un maniquí de educación profundo que utiliza un conjunto de datos de relato global para evaluar los emuladores climáticos.
Sus resultados mostraron que LPS superó a los modelos de educación profundo para predecir casi todos los parámetros que probaron, incluida la temperatura y la precipitación.
«Los grandes métodos de IA son muy atractivos para los científicos, pero rara vez resuelven un problema completamente nuevo, por lo que es necesario implementar una opción existente primero para acechar si el enfoque complicado de educación automotriz positivamente mejoría», dice Lütjens.
Algunos resultados iniciales parecían demoler frente al conocimiento del dominio de los investigadores. El poderoso maniquí de educación profundo debería deber sido más preciso al hacer predicciones sobre la precipitación, ya que esos datos no siguen un patrón listado.
Descubrieron que la gran cantidad de variabilidad natural en las corridas del maniquí climático puede hacer que el maniquí de educación profundo funcione mal en oscilaciones impredecibles a holgado plazo, como El Nene/La Pupila. Esto sesga los puntajes de evaluación comparativa a patrocinio de LPS, que promedia esas oscilaciones.
Construyendo una nueva evaluación
A partir de ahí, los investigadores construyeron una nueva evaluación con más datos que abordan la variabilidad del clima natural. Con esta nueva evaluación, el maniquí de educación profundo funcionó levemente mejor que LPS para la precipitación nave, pero LPS fue aún más preciso para las predicciones de temperatura.
«Es importante usar la aparejo de modelado adecuada para el problema, pero para hacerlo todavía debe configurar el problema de la forma correcta en primer punto», dice Selin.
Según estos resultados, los investigadores incorporaron LPS en una plataforma de lucha climática para predecir los cambios de temperatura locales en diferentes escenarios de radiodifusión.
«No abogamos por que LPS siempre debe ser el objetivo. Todavía tiene limitaciones. Por ejemplo, LPS no predice la variabilidad o los eventos climáticos extremos», agrega Ferrari.
Más perfectamente, esperan que sus resultados enfaticen la penuria de desarrollar mejores técnicas de evaluación comparativa, lo que podría proporcionar una imagen más completa de la cual la técnica de lucha climática es más adecuada para una situación particular.
«Con un punto de relato de lucha climático mejorado, podríamos usar métodos de educación automotriz más complejos para explorar problemas que actualmente son muy difíciles de acometer, como los impactos de los aerosoles o las estimaciones de precipitación extrema», dice Lütjens.
En última instancia, las técnicas de evaluación comparativa más precisas ayudarán a avalar que los responsables políticos estén tomando decisiones basadas en la mejor información arreglado.
Los investigadores esperan que otros se basen en su observación, tal vez estudiando mejoras adicionales a los métodos y puntos de relato de la lucha climática. Dicha investigación podría explorar métricas orientadas al impacto como indicadores de sequía y riesgos de incendios forestales, o nuevas variables como las velocidades regionales del derrota.
Esta investigación es financiada, en parte, por Schmidt Sciences, LLC, y es parte del equipo del MIT Climate Grand Desafíos para «traer cálculo al desafío climático».