Die Klimaprojektionen, die Entscheidungen über Stromnetze, Gesundheit und Landwirtschaft leiten, stammen aus Erdsystemmodellen, die so detailliert sind, dass ein einzelnes Szenario auf einem Supercomputer-Cluster Monate dauern kann. Forscher behelfen sich mit Emulatoren, schnellen KI-Ersatzmodellen, die die großen Modelle nachahmen und in Sekunden laufen. Forscher am MIT berichten nun von einer Methode, diese Emulatoren mit viel weniger Daten zu trainieren und sie in unbekannten Situationen besser zu machen.
Üblich ist laut MIT News, einen Emulator mit sechs bis acht realistischen künftigen Emissionspfaden zu trainieren, von denen jeder zuerst durch ein vollständiges Erdsystemmodell laufen muss. Das ist langsam und teuer, und das Team hatte bereits festgestellt, dass so Emulatoren entstehen können, die bei ungewohnten Szenarien versagen. Ihr neuer Algorithmus baut stattdessen einen synthetischen Trainingssatz, der allein darauf ausgelegt ist, den Emulator gut zu schulen. Er beginnt mit einem beliebigen Szenario aus einem schnellen, einfachen Klimamodell, misst, wie gut der Emulator es nachbildet, und passt dann die Emissionen in den Trainingsdaten an, etwa einen steilen Anstieg von Kohlendioxid im Jahr 2050 oder einen raschen Rückgang von Methan 2037, bis der Fehler unter eine Schwelle fällt.
Die entstehenden Szenarien ähneln keiner plausiblen Zukunft. Sie sind voller schneller Ausschläge und Schwingungen, die dem Emulator laut Hauptautor Christopher Womack viel mehr Information darüber liefern, wie das System reagiert. In Tests, die in den Proceedings of the National Academy of Sciences erschienen, sagte ein so trainierter Emulator Szenarien außerhalb seines Trainingssatzes voraus, darunter lokale Maßnahmen, die einen Schadstoff senken, während andere weiter steigen. An diesem Fall scheiterten die getesteten herkömmlichen Emulatoren. Nutzer müssten das vollständige Modell einmal statt sechs- oder achtmal laufen lassen.
Die Idee kennt jeder, der mit maschinellem Lernen arbeitet: Trainingsdaten danach auswählen, was sie lehren, nicht danach, wie realistisch sie aussehen. Sie passt zur allgemeinen Wende der Wissenschaft hin zu schnellen gelernten Modellen, von Google DeepMinds Wetterarbeit bis zur breiteren Familie der KI-Emulatoren, deren Wert darin liegt, Tausende Szenarien günstig zu testen.
Die Grenzen sind erheblich. Die Trainingsszenarien dieser Studie stammen aus einem einfachen Klimamodell, und die Forscher sagen, ein Test mit einem Szenario aus einem vollständigen Erdsystemmodell stehe noch aus. Die Ergebnisse gelten für die im Artikel bewerteten Emulatoren und Fälle. Ob politische Entscheider einem Werkzeug vertrauen, das bewusst auf unrealistischen Daten trainiert wurde, ist eine eigene Frage, die die Arbeit nicht klärt.