As projeções climáticas que orientam decisões sobre redes elétricas, saúde pública e agricultura vêm de modelos do sistema terrestre tão detalhados que um único cenário pode levar meses num cluster de supercomputadores. Os cientistas contornam isso com emuladores, substitutos rápidos baseados em IA que imitam os grandes modelos e rodam em segundos. Pesquisadores do MIT agora relatam um jeito de treinar esses emuladores com muito menos dados e de deixá-los melhores em situações que nunca viram.
A abordagem comum, explica o MIT News, é treinar um emulador com seis a oito trajetórias realistas de emissões futuras, cada uma das quais precisa antes passar por um modelo completo do sistema terrestre. Isso é lento e caro, e a equipe já tinha visto que pode gerar emuladores que falham diante de cenários desconhecidos. O novo algoritmo monta, em vez disso, um conjunto de treino sintético feito apenas para ensinar bem o emulador. Ele parte de um cenário arbitrário produzido por um modelo climático simples e rápido, mede quão bem o emulador o reproduz e então ajusta as emissões nos dados de treino, por exemplo uma alta forte de dióxido de carbono em 2050 ou uma queda rápida de metano em 2037, até o erro ficar abaixo de um limite.
Os cenários resultantes não se parecem em nada com um futuro plausível. Estão cheios de oscilações rápidas que, segundo o autor principal, Christopher Womack, deixam o emulador extrair muito mais informação sobre como o sistema responde. Em testes publicados na Proceedings of the National Academy of Sciences, um emulador treinado assim previu cenários fora do conjunto de treino, incluindo controles locais de poluição que cortam um poluente enquanto outros continuam subindo, caso em que os emuladores tradicionais avaliados falharam. O usuário precisaria rodar o modelo completo uma vez, em vez de seis ou oito.
A ideia vai soar familiar a quem trabalha com aprendizado de máquina: escolher os dados de treino pelo que ensinam, não pelo quanto parecem realistas. Ela ecoa a virada mais ampla da ciência para modelos aprendidos rápidos, do trabalho de meteorologia do Google DeepMind à família maior de emuladores de IA, cujo valor está em testar milhares de cenários a baixo custo.
Os limites são grandes. Os cenários de treino deste estudo vieram de um modelo climático simples, e os pesquisadores dizem que testar com um cenário gerado por um modelo completo do sistema terrestre ainda é trabalho futuro. Os resultados valem para os emuladores e casos avaliados no artigo. Se formuladores de políticas vão confiar numa ferramenta treinada com dados deliberadamente irreais é outra questão que a pesquisa não resolve.