気候計算を近似するAI、学習用の経路に着目
11月9日にPNASで公開され、12日にMITが紹介した研究は、気候エミュレーターの学習方法を扱う。これは気温などへの応答を元の気候モデルから学び、より軽い計算で近似する仕組みだ。従来の代表的な将来シナリオは政策や排出量の見通しを比べるために作られている。研究チームは、それらだけではAIが幅広い条件を学ぶための変動の種類が不足すると考えた。
予測の誤差から学習データの設計を変える
手法では簡易気候モデルを使い、学習用の排出経路を変えたとき、代理モデルの誤差がどう変わるかを計算してデータを繰り返し調整する。ここでいう最適化は、特定の将来を最も起こりやすいと選ぶ作業ではない。温室効果ガスや大気中の微粒子への応答を学びやすくするため、排出量が急に上下するなど現実には想定しにくい経路も学習材料に使う。
一つと六つの比較は簡易モデル内の試験
論文では、簡易モデルで最適化した一つのシナリオから得たデータを使う方が、従来のScenarioMIPの六つの経路を使うより高い性能を示した。ScenarioMIPは気候モデル比較のための将来経路の枠組みを指す。さらに、その設計を中程度の複雑さの気候モデルに入力し、従来の経路から学ぶ場合より優れた代理モデルを得たという。比較の対象と条件を伴う成果として読む必要がある。
大規模モデルへの展開は今後の検証課題
MITの説明では、より大規模な地球システムモデルを使った検証は今後の課題に挙がる。今回の結果だけで、複雑な地域別の影響や政策の効果を正確に予測できると保証されたわけではない。編集上は、AIを大きくすることに加え、限られた元モデルの計算をどの条件に振り向けるかを考える研究と位置付ける。別のモデルや学習方法で効果が保たれるかが次の確認点となる。