送電網、公衆衛生、農業に関する判断の材料となる気候予測は、地球システムモデルから得られますが、このモデルは非常に詳細で、一つのシナリオをスーパーコンピューターのクラスターで計算するのに数か月かかることもあります。科学者はエミュレーターでこれを回避しています。大きなモデルの振る舞いをまねて数秒で動く、AIによる高速な代替モデルです。MITの研究者たちは、はるかに少ないデータでこのエミュレーターを訓練し、未知の状況にもより強くする方法を報告しました。
MIT Newsの説明によると、通常はエミュレーターを6〜8通りの現実的な将来の排出経路で訓練しますが、それぞれを事前に完全な地球システムモデルで計算する必要があります。これは時間も費用もかかり、チームは以前、この方法では見慣れないシナリオで失敗するエミュレーターができることがあると突き止めていました。新しいアルゴリズムは代わりに、エミュレーターをうまく学習させることだけを目的とした合成の訓練データを作ります。高速で単純な気候モデルが出した任意のシナリオから始め、エミュレーターがそれをどれだけ再現できるかを測り、たとえば2050年に二酸化炭素を急増させる、2037年にメタンを急減させるといった形で訓練データの排出量を調整し、誤差が一定の基準を下回るまで繰り返します。
こうしてできたシナリオは、ありそうな未来とはまったく似ていません。急な変動や振動に満ちており、筆頭著者のChristopher Womack氏は、これによってエミュレーターが系の応 答についてはるかに多くの情報を引き出せると述べています。Proceedings of the National Academy of Sciencesに掲載された検証では、この方法で訓練したエミュレーターは訓練データにないシナリオを予測できました。その中には、ある汚染物質を減らす一方で他の排出が増え続けるという地域的な規制も含まれ、評価された従来のエミュレーターはこの例で失敗しました。利用者は完全なモデルを6回か8回ではなく1回だけ走らせればよくなります。
機械学習に携わる人にはなじみのある考え方です。訓練データは見た目の現実らしさではなく、何を教えられるかで選ぶというものです。Google DeepMindの気象研究からより広いAIエミュレーターの仲間まで、科学全体が高速な学習モデルに向かう流れとも重なり、その価値は何千ものシナリオを安く試せることにあります。
限界は大きいものです。この研究の訓練シナリオは単純な気候モデルから作られており、完全な地球システムモデルが生成したシナリオでの検証は今後の課題だと研究者自身が述べています。結果は論文で評価されたエミュレーターと事例に関するものです。意図的に非現実的なデータで訓練した道具を政策担当者が信頼するかどうかは、この研究では答えの出ない別の問題です。