การคาดการณ์สภาพภูมิอากาศที่ถูกต้องและทันสมัยมีความสำคัญอย่างยิ่งต่อการตัดสินใจเชิงนโยบายที่ช่วยเพิ่มความสามารถในการปรับตัวของโครงข่ายไฟฟ้า การปกป้องสาธารณสุข และการเพิ่มผลผลิตทางการเกษตร
นักวิจัยพบว่าการใช้ตัวจำลองที่ฝึกด้วยข้อมูลสังเคราะห์จำนวนน้อยแต่คัดเลือกมาอย่างดี สามารถทำนายผลลัพธ์ของสถานการณ์ที่ไม่เคยเห็นระหว่างการฝึกได้อย่างแม่นยำ ในขณะที่ตัวจำลองแบบดั้งเดิมไม่สามารถปรับตัวเข้ากับสถานการณ์ใหม่ๆ ได้
Christoher Womack และคณะ ได้นำเสนอวิธีการนี้ในการสร้างข้อมูลฝึกฝนที่เหมาะสมที่สุดสำหรับตัวจำลอง ซึ่งจะช่วยเร่งการผลิตตัวจำลองที่มีความน่าเชื่อถือสูง ทำให้สามารถไว้วางใจผลลัพธ์เพื่อประกอบการตัดสินใจเชิงนโยบายได้มากขึ้น
นักวิทยาศาสตร์ภูมิอากาศมักใช้ Earth system models (ESMs) เพื่อคาดการณ์การเปลี่ยนแปลงอุณหภูมิหรือปริมาณน้ำฝนในระยะยาว ซึ่ง ESMs ขนาดใหญ่ต้องใช้เวลาหลายเดือนในการรันบนซูเปอร์คอมพิวเตอร์ การออกแบบตัวจำลองสภาพภูมิอากาศ (climate emulators) โดยใช้ AI surrogate models จึงช่วยลดระยะเวลาการผลิตได้อย่างมาก
งานวิจัยนี้เป็นส่วนหนึ่งของโครงการ Bringing Computation to the Climate Challenge (BC3) และได้รับการสนับสนุนจาก Schmidt Sciences ผ่าน MIT Grand Challenges
ศัพท์ที่ควรรู้
- Climate projections – การคาดการณ์สภาพภูมิอากาศ คือการทำนายสภาพอากาศในอนาคต
- Emulator – ตัวจำลอง คือแบบจำลอง AI ที่จำลองพฤติกรรมของระบบขนาดใหญ่ เช่น ระบบโลก
- Synthetic data – ข้อมูลสังเคราะห์ คือข้อมูลที่ถูกสร้างขึ้นมาเพื่อใช้ในการฝึกฝนโมเดล
- Earth system models (ESMs) – คือแบบจำลองทางวิทยาศาสตร์ที่ใช้จำลองระบบโลกเพื่อการคาดการณ์ระยะยาว
ที่มา: news.mit.edu