12 ноября 2026 года MIT News рассказал о методе обучения климатических ИИ-эмуляторов, который, по описанию исследователей, позволяет подготовить данные с одним запуском полномасштабной климатической модели вместо обычных шести-восьми. Эмуляторы рассчитывают сценарии за секунды, поэтому более экономная подготовка может помочь сравнивать больше вариантов будущих выбросов и климатической политики. MIT News связывает метод с исследованием, опубликованным в Proceedings of the National Academy of Sciences.
Зачем климатологам эмуляторы
Модели земной системы учитывают физические процессы и взаимодействия в климате, но расчёты сценариев требуют значительных вычислительных ресурсов. ИИ-эмулятор приближённо воспроизводит поведение такой модели и, согласно MIT News, может за секунды моделировать последствия человеческой деятельности для будущего климата, включая изменения температуры или уровня моря.
Это позволяет исследовать множество вариантов воздействия на климат без отдельного долгого запуска полномасштабной модели для каждого сценария. Такой подход может быть полезен при сравнении разных траекторий выбросов и региональных мер, но сам эмулятор остаётся приближением исходной модели.
Как меняется подготовка данных
Обычно для обучения эмулятора используют шесть-восемь реалистичных траекторий будущих выбросов. Каждую из них сначала рассчитывают полномасштабной моделью земной системы, чтобы получить обучающие данные. Исследователи MIT предлагают вместо этого подбирать синтетические сценарии специально для обучения эмулятора.
Алгоритм начинает с произвольного климатического сценария, созданного быстрой упрощённой моделью. Затем исследователи сравнивают результат эмулятора с результатом полномасштабной модели и получают оценку ошибки. После этого обучающие данные итеративно обновляются так, чтобы повысить способность эмулятора воспроизводить результаты исходной системы.
Синтетические сценарии могут выглядеть нереалистично: например, выбросы углекислого газа или метана могут резко меняться в отдельные годы. Их цель — не описать вероятное будущее, а сформировать набор данных, на котором эмулятор лучше учится. По сообщению MIT News, для этого процесса нужен один запуск полномасштабной модели вместо шести-восьми.
Что это меняет для анализа сценариев
MIT News сообщает, что эмулятор, обученный на меньшем объёме специально отобранных синтетических данных, предсказывал результаты сценариев, которых не было в обучающей выборке. В том же описании говорится, что традиционные эмуляторы не смогли адаптироваться к новым ситуациям. Если метод работает в заявленных пределах, сокращение затрат на подготовку данных может позволить исследователям проверять больше вариантов при анализе климатической политики.
Это пока сообщение авторов исследования, а не независимая оценка метода. Доступный материал MIT News не приводит численных метрик точности, подробностей о границах применимости или результатов независимого сравнения. Поэтому один запуск полномасштабной модели следует понимать как заявленную особенность процесса подготовки данных, а не как гарантию точности эмулятора для любого нового сценария.
