U eri u kojoj se umjetna inteligencija nameće kao rješenje za najsloženije globalne izazove, od medicine do financija, njezina primjena u znanosti o klimi postala je jedno od najpropulzivnijih područja istraživanja. Međutim, najnovija studija koju su proveli istraživači s Massachusetts Institute of Technology (MIT) donosi iznenađujući i donekle otrežnjujući preokret, sugerirajući da u utrci za preciznijim klimatskim predviđanjima, veći i kompleksniji modeli dubokog učenja nisu uvijek sinonim za bolje rezultate. Njihov rad otkriva da u određenim scenarijima, znatno jednostavniji modeli, utemeljeni na fundamentalnim fizikalnim zakonima, mogu pružiti točnije prognoze od najsuvremenijih AI sustava.

Znanstvenici koji se bave okolišem sve se više oslanjaju na goleme modele umjetne inteligencije za predviđanje promjena u vremenskim obrascima i dugoročnoj klimi. Ipak, nova analiza tima s MIT-a pokazuje kako prirodna varijabilnost svojstvena klimatskim podacima može predstavljati ozbiljnu prepreku za AI modele, uzrokujući poteškoće u predviđanju lokalnih temperatura i količine oborina. Njihovo istraživanje nije samo usporedba dviju metodologija, već i duboka kritika postojećih načina vrednovanja (benchmarkinga) koji se koriste za procjenu uspješnosti modela strojnog učenja u klimatologiji.

Problematična mjerila uspješnosti i skrivena zamka prirodnih oscilacija

Ključni problem na koji su istraživači naišli leži u standardnim tehnikama testiranja. Pokazalo se da te tehnike mogu biti značajno iskrivljene zbog prirodnih varijacija unutar samih klimatskih podataka, kao što su višegodišnje fluktuacije vremenskih obrazaca poput fenomena El Niño i La Niña. Takva inherentna "buka" u podacima može stvoriti lažni dojam da je model dubokog učenja iznimno precizan, dok se u stvarnosti njegova uspješnost temelji na pogrešnim pretpostavkama ili prilagodbi na kratkoročne, nepredvidive cikluse. To dovodi do situacije u kojoj se model može činiti superiornim, a da to zapravo nije slučaj kada se promatraju dugoročni, stabilni trendovi.

Suočeni s ovim izazovom, znanstvenici su razvili robusniji i pouzdaniji način evaluacije ovih tehnika. Primjenom novog pristupa, uspjeli su jasnije razlučiti snage i slabosti različitih modela. Rezultati su bili nedvosmisleni: dok su jednostavniji modeli pokazali superiornu točnost u procjeni regionalnih površinskih temperatura, složeniji pristupi temeljeni na dubokom učenju pokazali su se kao bolji izbor za procjenu lokalnih oborina, koje su po svojoj prirodi mnogo kaotičnije i teže za modeliranje.

Ova saznanja iskorištena su za poboljšanje simulacijskog alata poznatog kao klimatski emulator. Emulatori su pojednostavljene aproksimacije složenih klimatskih modela koji se izvode na superračunalima tjednima ili mjesecima. Njihova glavna prednost je brzina; oni omogućuju znanstvenicima i donositeljima politika da u vrlo kratkom vremenu simuliraju efekte različitih scenarija ljudskih aktivnosti, poput smanjenja ili povećanja emisija stakleničkih plinova, na buduću klimu.

Priča o oprezu u primjeni umjetne inteligencije

Istraživački tim svoj rad vidi kao svojevrsnu "priču o oprezu" koja upozorava na rizike nekritičkog implementiranja velikih AI modela u područje znanosti o klimi. Dok su modeli dubokog učenja postigli nevjerojatan uspjeh u domenama poput obrade prirodnog jezika ili prepoznavanja slika, znanost o klimi je fundamentalno drugačija. Ona se temelji na dokazanim fizikalnim zakonima i aproksimacijama, a pravi izazov leži u tome kako te temeljne principe efikasno integrirati u strukturu AI modela, umjesto da se oslanjamo isključivo na sposobnost modela da samostalno uči iz podataka.

Noelle Selin, viša autorica studije i profesorica na MIT-ovom Institutu za podatke, sustave i društvo (IDSS), naglašava važnost ovog pristupa: "Naš cilj je razviti modele koji će biti korisni i relevantni za odluke koje donositelji politika moraju donositi u budućnosti. Iako može biti primamljivo primijeniti najnoviji, najkompleksniji model strojnog učenja na klimatski problem, ova studija pokazuje da je ključno zastati i temeljito promisliti o osnovama problema. To je ne samo važno, već i izuzetno korisno."

Usporedba dvaju svjetova: Linearno skaliranje naspram dubokog učenja

Budući da je Zemljina klima nevjerojatno složen sustav, pokretanje najsuvremenijih klimatskih modela za predviđanje utjecaja razine zagađenja na okolišne faktore poput temperature može trajati tjednima, čak i na najmoćnijim svjetskim superračunalima. Zbog toga znanstvenici često pribjegavaju klimatskim emulatorima. Donositelj politika može koristiti takav emulator kako bi brzo procijenio kako bi alternativne pretpostavke o emisijama stakleničkih plinova utjecale na buduće temperature, što im pomaže u oblikovanju propisa i strategija.

Međutim, emulator je beskoristan ako daje netočne prognoze o lokalnim utjecajima klimatskih promjena. Iako je duboko učenje postalo sve popularnije za izradu emulatora, rijetke su studije koje su detaljno istražile nadmašuju li ti moderni modeli provjerene i jednostavnije pristupe. Upravo je to učinio tim s MIT-a. Usporedili su tradicionalnu tehniku poznatu kao linearno skaliranje uzoraka (LPS) s modelom dubokog učenja, koristeći uobičajeni referentni skup podataka za evaluaciju klimatskih emulatora.

Njihovi početni rezultati pokazali su da je LPS nadmašio modele dubokog učenja u predviđanju gotovo svih testiranih parametara, uključujući temperaturu i oborine. "Velike AI metode vrlo su privlačne znanstvenicima, ali rijetko rješavaju potpuno novi problem. Stoga je nužno prvo implementirati postojeće, jednostavnije rješenje kako bi se utvrdilo donosi li složeni pristup strojnog učenja zaista poboljšanje", objašnjava Björn Lütjens, vodeći autor studije.

Nova metodologija za pravedniju evaluaciju

Neki od početnih rezultata bili su u suprotnosti s fundamentalnim znanjem istraživača. Očekivalo se da će moćni model dubokog učenja biti točniji u predviđanju oborina, budući da ti podaci ne slijede jednostavan linearan obrazac. Detaljnija analiza otkrila je da velika količina prirodne varijabilnosti u simulacijama klimatskih modela uzrokuje da se model dubokog učenja loše nosi s nepredvidivim dugoročnim oscilacijama, poput ciklusa El Niño/La Niña. To je iskrivilo rezultate testiranja u korist LPS-a, koji te oscilacije jednostavno "usrednjava" i time zanemaruje njihovu složenost.

Na temelju tog uvida, istraživači su konstruirali novu, opsežniju evaluaciju s više podataka koja uzima u obzir prirodnu klimatsku varijabilnost. S ovom novom metodologijom, slika se promijenila: model dubokog učenja pokazao se neznatno boljim od LPS-a za predviđanje lokalnih oborina, no LPS je i dalje zadržao svoju prednost kao točniji alat za predviđanje temperature.

"Važno je koristiti onaj alat za modeliranje koji je prikladan za određeni problem, ali da biste to mogli učiniti, morate prvo ispravno postaviti sam problem", dodaje Selin. Na temelju ovih rezultata, istraživači su integrirali LPS u svoju platformu za klimatsku emulaciju kako bi predviđali lokalne promjene temperature u različitim scenarijima emisija.

Ipak, tim naglašava da cilj nije proglasiti LPS univerzalnim rješenjem. "Ne zagovaramo da bi LPS uvijek trebao biti cilj. On i dalje ima svoja ograničenja. Na primjer, LPS ne predviđa varijabilnost ili ekstremne vremenske događaje", ističe Raffaele Ferrari, koautor studije. Umjesto toga, nadaju se da će njihovi rezultati naglasiti potrebu za razvojem boljih tehnika za usporedbu i vrednovanje modela, koje bi mogle pružiti potpuniju sliku o tome koja je tehnika klimatske emulacije najprikladnija za određenu situaciju.

S poboljšanim referentnim mjerilima za klimatsku emulaciju, mogli bismo koristiti složenije metode strojnog učenja za istraživanje problema koje je trenutno vrlo teško riješiti, poput utjecaja aerosola ili procjene rizika od ekstremnih oborina. U konačnici, točnije tehnike vrednovanja osigurat će da donositelji politika svoje odluke temelje na najboljim dostupnim informacijama, što je od presudne važnosti u borbi protiv klimatskih promjena. Istraživači se nadaju da će drugi nadograditi njihovu analizu, možda proučavanjem dodatnih poboljšanja metoda i mjerila za klimatsku emulaciju. Takva istraživanja mogla bi istražiti metrike usmjerene na konkretne utjecaje, kao što su indikatori suše i rizici od šumskih požara, ili nove varijable poput regionalnih brzina vjetra.

Izvor: Massachusetts Institute of Technology